CyberHarem/shirasagi_chisato_bangdream

这是一个名为shirasagi_chisato (BanG Dream!)的数据集，包含405张图片及其标签。图片从多个网站（如danbooru、pixiv、zerochan等）爬取，爬取系统由DeepGHS团队开发。数据集的核心标签包括`blonde_hair, long_hair, bangs, purple_eyes, half_updo, ribbon`。数据集提供了多种下载选项，包括原始数据、不同分辨率的图片以及经过裁剪的图片。此外，还提供了如何使用waifuc加载原始数据集的代码示例。

This is a dataset named shirasagi_chisato (BanG Dream!), which contains 405 images and their corresponding labels. The images were crawled from multiple platforms including danbooru, pixiv, zerochan and others, and the crawling system was developed by the DeepGHS team. The core tags of this dataset include `blonde_hair, long_hair, bangs, purple_eyes, half_updo, ribbon`. The dataset provides various download options, such as raw data, images with different resolutions, and cropped images. Additionally, code examples for loading the raw dataset using waifuc are also provided.

原始信息汇总

数据集概述

数据集信息

• 名称: shirasagi_chisato (BanG Dream!)
• 许可证: MIT
• 任务类别: 文本到图像
• 标签: 艺术, 非所有观众适用
• 大小类别: n<1K

数据集内容

• 图像数量: 405张
• 核心标签: blonde_hair, long_hair, bangs, purple_eyes, half_updo, ribbon
• 来源: 从多个网站爬取，如danbooru, pixiv, zerochan等

数据包列表

名称	图像数量	大小	类型	描述
raw	405	480.42 MiB	Waifuc-Raw	原始数据，包含元信息（最小边对齐到1400像素，如果更大）
800	405	302.02 MiB	IMG+TXT	短边不超过800像素的图像数据集
stage3-p480-800	939	612.88 MiB	IMG+TXT	3阶段裁剪数据集，区域不小于480x480像素
1200	405	434.28 MiB	IMG+TXT	短边不超过1200像素的图像数据集
stage3-p480-1200	939	832.06 MiB	IMG+TXT	3阶段裁剪数据集，区域不小于480x480像素

标签聚类结果

• 示例: 包含多个标签聚类结果，每个聚类包含不同数量的样本和相关标签。

搜集汇总

数据集介绍

构建方式

该数据集聚焦于《BanG Dream!》中的角色白鷺千聖，共计收录405张图像及其对应标签。数据采集源自多个知名插画平台，如Danbooru、Pixiv及Zerochan等，依托DeepGHS团队开发的自动化爬取系统完成。在构建过程中，对核心角色特征标签（如金发、长发、刘海、紫瞳、半扎发及发饰）进行了精心筛选与精简。数据集以多种分辨率规格提供，包括原始高清版本（边缘对齐至1400像素）、短边不超过800像素或1200像素的压缩版本，以及经过三阶段裁剪处理、确保区域不小于480×480像素的增强版本，以满足不同训练需求。

特点

该数据集最显著的特点在于其丰富的标签聚类结果，通过自动聚类技术将图像按视觉特征与语义标签划分为多个群组，揭示了角色在不同着装、场景与互动下的多样化呈现。例如，聚类结果涵盖了校园制服、演出服装、和服、泳装乃至特定情境下的双人互动，每个聚类均附带样本图像与详细标签列表，便于用户深入挖掘角色特征。此外，数据集提供了多种下载格式，包括原始元数据包（Waifuc-Raw）以及可直接用于训练的IMG+TXT格式，极大提升了使用的灵活性。

使用方法

用户可通过Hugging Face Hub便捷地获取该数据集。对于希望使用原始元数据的用户，推荐借助Waifuc工具进行加载：首先通过hf_hub_download函数下载对应的ZIP压缩包，解压至本地目录后，利用LocalSource接口即可遍历图像及其标签信息，实现自定义的数据处理流水线。若需直接用于模型训练，则可选择下载800、1200或stage3系列的分辨率版本，这些版本已包含对齐的图像与标签文件，可直接接入常见的文本到图像生成框架，简化了数据预处理流程。

背景与挑战

背景概述

该数据集由CyberHarem团队于近期构建，专注于收录《BanG Dream!》角色白鹭千圣的视觉素材，旨在为文本到图像生成任务提供精细化的动漫角色数据支持。研究团队通过自动化爬取系统从Danbooru、Pixiv、Zerochan等多源平台采集405张图像，并辅以核心标签（如金发、长发、刘海、紫瞳、半盘发、丝带）进行筛选与标注。该数据集的核心研究问题在于如何通过高质量、多视角的动漫角色图像集合，提升生成模型对特定角色外貌与风格特征的还原能力，尤其关注服饰、发型、表情等细节的泛化表现。作为二次元领域细粒度角色数据集，其影响力体现在为LoRA微调、风格迁移等下游任务提供了标准化训练资源，填补了特定ACG角色数据集的空白。

当前挑战

当前数据集面临多重挑战：首先，在领域问题层面，动漫角色生成需解决类内多样性不足与背景干扰问题——405张图像中多包含白色或简单背景，且部分图像存在多人物共现（如2girls标签），导致模型易混淆主体与噪声特征；其次，构建过程中，爬取自不同平台的图像在分辨率（从480×480到1400像素）、画风（如插画与官方海报混用）及标签一致性（如部分图像含裸露或性暗示内容）上存在显著差异，需通过三级裁剪与标签聚类（如14个聚类组）进行筛选，但聚类结果中仍混有非目标标签（如hetero、penis），增加了数据清洗的复杂性；此外，数据规模较小（n<1K）限制了生成模型对角色多姿态、复杂场景的泛化能力，易导致过拟合于高频出现的服饰（如校服、黄色连衣裙）与构图模式。

常用场景

经典使用场景

该数据集以《BanG Dream!》中角色白鷺千聖为核心，收录了405张经过精细标注的二次元图像，覆盖了校服、演出服、泳装及和服等多种服饰风格，并提供了raw、800、1200及三级裁剪等多种分辨率版本。其最经典的用途在于支撑文本到图像（text-to-image）生成模型的训练与微调，研究者可借助配套的waifuc工具高效加载原始数据，利用标签聚类结果（如校园、舞台、日常等场景）进行条件生成或风格迁移实验，从而提升模型对特定角色外貌特征（如金发、紫瞳、半扎发髻）的忠实还原能力。

实际应用

在实际应用中，该数据集被广泛用于开发面向二次元创作的辅助工具，例如自动生成角色立绘、个性化头像定制或游戏内换装预览系统。开发者可基于其提供的多分辨率包（如480×480裁剪版）快速训练轻量级生成模型，用于移动端或Web端的实时图像合成。此外，标签聚类结果还可服务于虚拟偶像的服饰设计推荐，通过挖掘常见服饰组合（如水手服与蝴蝶结）来启发创意，降低人工原画设计的迭代成本。

衍生相关工作

该数据集衍生了一系列经典工作，包括基于角色标签聚类的语义分割模型训练、面向动漫图像的风格迁移网络优化，以及利用三级裁剪策略改进图像生成质量的研究。其中，部分工作进一步扩展了数据集的覆盖范围，将其与同一IP下其他角色的数据联合训练，构建了多角色统一生成框架。此外，围绕该数据集的标签体系，研究者还提出了自动标签修正与长尾分布平衡算法，显著提升了模型在罕见服饰场景下的生成稳定性。