CapContact

CapContact数据集包含从电容式触摸屏收集的高分辨率接触区域数据，包括电容图像和实际接触掩码。数据集由10名参与者和3个会话组成，数据以png格式和numpy数组形式提供。电容图像由Microchip ATMXT2954T2数字转换器以16位精度捕获，分辨率为72像素x 41像素，覆盖345毫米x 195毫米的区域。接触掩码通过受挫全内反射（FTIR）设置捕获，分辨率为576像素x 328像素，实现了8倍的超级分辨率。

The CapContact dataset comprises high-resolution contact area data collected from capacitive touch screens, including capacitive images and actual contact masks. The dataset consists of 10 participants and 3 sessions, with data provided in PNG format and as numpy arrays. Capacitive images were captured by the Microchip ATMXT2954T2 digitizer at 16-bit precision, with a resolution of 72 pixels by 41 pixels, covering an area of 345 mm by 195 mm. Contact masks were captured using a frustrated total internal reflection (FTIR) setup, with a resolution of 576 pixels by 328 pixels, achieving an 8x super-resolution.

原始信息汇总

数据集概述

数据集名称

CapContact

数据集内容

• Capacitive Images: 由Microchip ATMXT2954T2 digitizer采集，具有16-bit精度，分辨率为72 px × 41 px。
• Contact Masks: 通过Frustrated Total Internal Reflection (FTIR) 获取，分辨率为576 px × 328 px，提供8倍的超分辨率。

数据格式

• 图像格式: PNG (8-bit encoding)
• 数据格式: Numpy array (16-bit capacitive images, 8-bit contact masks)

数据收集

• 参与者数量: 10
• 会话次数: 每个参与者3次

数据使用

数据集用于训练和评估CapContact方法，该方法使用卷积神经网络从16-bit电容图像生成高分辨率接触掩码。

许可证

数据集遵循Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License。

搜集汇总

数据集介绍

构建方式

CapContact数据集的构建基于10名参与者的实验数据，每位参与者进行了3次实验。数据采集过程中，使用Microchip ATMXT2954T2数字转换器生成16位精度的电容图像，分辨率为72×41像素，覆盖面积为345×195毫米。同时，通过受抑全内反射（FTIR）技术获取高分辨率的接触掩码，分辨率为576×328像素，实现了8倍超分辨率。数据以PNG格式和numpy数组形式存储，便于后续处理和分析。

特点

CapContact数据集的核心特点在于其高分辨率的接触掩码和电容图像的结合。电容图像通过16位精度的数字转换器生成，而接触掩码则通过FTIR技术实现8倍超分辨率，能够精确捕捉手指与屏幕的接触区域。数据集不仅提供了丰富的实验数据，还支持深度学习模型的训练与验证，特别适用于超分辨率触摸屏技术的研究。

使用方法

使用CapContact数据集时，首先需克隆GitHub仓库并创建Python虚拟环境，安装相关依赖。数据集以numpy数组形式存储，可通过Python加载。训练模型时，使用`train.py`脚本指定训练集和验证集的路径，并保存模型检查点。推理时，使用`inference.py`脚本加载训练好的模型，并指定测试集路径以生成推理结果。该数据集适用于超分辨率触摸屏技术的开发与验证。

背景与挑战

背景概述

CapContact数据集由苏黎世联邦理工学院（ETH Zürich）的感知、交互与感知实验室（Sensing, Interaction & Perception Lab）的Paul Streli和Christian Holz于2021年创建，旨在解决电容式触摸屏中接触区域的高分辨率重建问题。该数据集基于10名参与者的实验数据，结合了电容式触摸屏的16位电容图像和通过受抑全内反射（FTIR）技术获取的高分辨率接触掩码。CapContact的核心研究问题是通过卷积神经网络从单张电容图像中推断出用户手指与屏幕的真实接触区域，实现了8倍超分辨率重建。该研究在2021年ACM CHI会议上发表，对提升触摸屏输入精度和电容传感技术具有重要影响。

当前挑战

CapContact数据集在解决电容式触摸屏接触区域重建问题时面临多重挑战。首先，电容图像的固有分辨率较低（72×41像素），难以直接反映真实的接触区域，尤其是在相邻触摸点区分上存在显著困难。其次，尽管FTIR技术提供了高分辨率的地面真实数据，但其采集过程复杂且成本较高，限制了数据集的规模扩展。此外，构建过程中需确保电容图像与FTIR图像之间的精确对齐，这对实验设备和数据处理提出了严格要求。最后，如何在低分辨率电容图像上实现高精度超分辨率重建，同时保持对相邻触摸点的有效区分，是算法设计中的核心挑战。

常用场景

经典使用场景

CapContact数据集在电容式触摸屏领域的研究中具有重要应用，尤其在触摸接触区域的高分辨率重建方面。通过结合电容图像和光学触摸传感技术，该数据集能够生成8倍超分辨率的接触掩码，为触摸输入的精确检测提供了基础。这一数据集广泛应用于触摸屏技术的优化、用户体验的提升以及触摸输入算法的改进。

解决学术问题

CapContact数据集解决了电容式触摸屏中触摸接触区域难以精确检测的学术问题。传统电容传感技术由于电场强度的指数衰减，无法准确反映真实接触区域。该数据集通过引入光学触摸传感技术，提供了高分辨率的接触掩码作为真实标签，结合卷积神经网络实现了从低分辨率电容图像到高分辨率接触掩码的超分辨率重建，显著提升了触摸输入的精度和相邻触摸点的区分能力。

衍生相关工作

CapContact数据集衍生了一系列相关研究工作，主要集中在触摸输入算法的优化和超分辨率技术的应用。例如，基于该数据集的卷积神经网络模型被进一步改进，以适用于不同分辨率和尺寸的触摸屏设备。此外，该数据集还启发了对电容式触摸传感技术的深入研究，推动了触摸屏行业标准的更新，尤其是在触摸输入精度和相邻触摸点区分能力方面的突破。