OmniConsistency

# 🎨 OmniConsistency: Stylized Image Pair Dataset (22 Styles)

**OmniConsistency** is a large-scale multi-style image translation dataset featuring **22 distinct artistic styles**. Each style includes aligned image pairs:

- `src`: the original image (e.g., photo or line sketch)
- `tar`: the stylized image
- `prompt`: a descriptive text representing the intended artistic style

This dataset is suitable for tasks such as:
- Style transfer
- Image-to-image generation
- Conditional generation with prompts
- Consistency learning

## 🗂️ Dataset Structure

Each style is a separate **split** (e.g., `"Ghibli"`, `"Pixel"`) in the DatasetDict format. Each sample in a split has:

```json
{
"src": "Ghibli/src/001.png",
"tar": "Ghibli/tar/001.png",
"prompt": "Ghibli Style, dreamy soft lighting, painterly landscape."
}
```

> 🔎 Note: Only image paths and prompts are provided. To access full image data, you must clone/download this repository.

## 🎨 Included Styles (22)

- 3D_Chibi
- American_Cartoon
- Chinese_Ink
- Clay_Toy
- Fabric
- Ghibli
- Irasutoya
- Jojo
- LEGO
- Line
- Macaron
- Oil_Painting
- Origami
- Paper_Cutting
- Picasso
- Pixel
- Poly
- Pop_Art
- Rick_Morty
- Snoopy
- Van_Gogh
- Vector

## 🧪 How to Use

### Load a single style:
```python
from datasets import load_dataset

ds = load_dataset("showlab/OmniConsistency", split="Ghibli")
print(ds[0])
```

### Iterate through styles:
```python
styles = ["3D_Chibi", "Pixel", "Ghibli", "Van_Gogh"]
for style in styles:
ds = load_dataset("showlab/OmniConsistency", split=style)
print(style, len(ds))
```

## 📷 Image Access

To work with the actual image files:
```bash
git lfs install
git clone https://huggingface.co/datasets/showlab/OmniConsistency
```

> Make sure you have Git LFS installed to retrieve image content.

## ✨ Citation

```
@inproceedings{Song2025OmniConsistencyLS,
title={OmniConsistency: Learning Style-Agnostic Consistency from Paired Stylization Data},
author={Yiren Song and Cheng Liu and Mike Zheng Shou},
year={2025},
url={https://api.semanticscholar.org/CorpusID:278905729}
}
```

# 🎨 全一致性（OmniConsistency）：风格化图像配对数据集（22种风格）

**全一致性（OmniConsistency）** 是一款大规模多风格图像转换数据集，涵盖**22种独特的艺术风格**。每种风格均包含对齐的图像配对：
- `src`：原始图像（例如照片或线条素描）
- `tar`：风格化后的图像
- `prompt`：描述目标艺术风格的说明性文本

本数据集适用于以下任务：
- 风格迁移
- 图像到图像生成
- 基于提示词的条件生成
- 一致性学习

## 🗂️ 数据集结构

每种风格对应数据集字典（DatasetDict）格式下的独立**拆分（split）**（例如`"Ghibli"`、`"Pixel"`）。单个拆分中的每个样本包含如下内容：

json
{
"src": "Ghibli/src/001.png",
"tar": "Ghibli/tar/001.png",
"prompt": "吉卜力风格，梦幻柔和光影，绘画感风景画。"
}

> 🔎 说明：本数据集仅提供图像路径与提示词。如需获取完整的图像数据，请克隆或下载此仓库。

## 🎨 涵盖的22种风格
- 3D大头萌系（3D_Chibi）
- 美式卡通（American_Cartoon）
- 中国水墨（Chinese_Ink）
- 黏土玩具风（Clay_Toy）
- 布艺风（Fabric）
- 吉卜力（Ghibli）
- いらすとや（Irasutoya）
- JOJO（Jojo）
- 乐高（LEGO）
- 线条风（Line）
- 马卡龙色（Macaron）
- 油画风（Oil_Painting）
- 折纸风（Origami）
- 剪纸风（Paper_Cutting）
- 毕加索（Picasso）
- 像素风（Pixel）
- 多边形风（Poly）
- 波普艺术（Pop_Art）
- 《瑞克和莫蒂》（Rick_Morty）
- 史努比（Snoopy）
- 梵高（Van_Gogh）
- 矢量风（Vector）

## 🧪 使用方法

### 加载单种风格：
python
from datasets import load_dataset

ds = load_dataset("showlab/OmniConsistency", split="Ghibli")
print(ds[0])

### 遍历多种风格：
python
styles = ["3D_Chibi", "Pixel", "Ghibli", "Van_Gogh"]
for style in styles:
ds = load_dataset("showlab/OmniConsistency", split=style)
print(style, len(ds))

## 📷 图像获取

如需获取实际图像文件，请执行以下命令：
bash
git lfs install
git clone https://huggingface.co/datasets/showlab/OmniConsistency

> 请确保已安装Git LFS以获取图像内容。

## ✨ 引用信息

bibtex
@inproceedings{Song2025OmniConsistencyLS,
title={OmniConsistency: Learning Style-Agnostic Consistency from Paired Stylization Data},
author={Yiren Song and Cheng Liu and Mike Zheng Shou},
year={2025},
url={https://api.semantics.com/CorpusID:278905729}
}

搜集汇总

背景与挑战

背景概述

OmniConsistency是一个大规模多风格图像翻译数据集，包含22种不同的艺术风格（如Ghibli、Pixel、Van Gogh等），每个风格提供原始图像、风格化图像和文本提示的对齐图像对。该数据集适用于风格迁移、图像生成和条件生成等任务，旨在支持风格无关的一致性学习研究。