cleaned_manga_dataset
收藏资源简介：
Cleaned Manga Dataset是一个专门用于训练文本去除/修复模型（例如ZITS++）以及气泡/文本检测模型的漫画页面数据集。它是Cleaned Webtoon Dataset的页面导向版本，以单页漫画图像为基本单元，而非拼接的长条网络漫画。数据集包含约43,217张漫画页面，源自约533部作品的2,335个章节，主要来源于GANMA!和Comic Walker两个公开漫画平台，其中Comic Walker的页面已对下载的XOR加扰WEBP图像进行解扰处理。每页漫画提供四个像素对齐的PNG文件：包含文本的原始页面图像、自动清理版本（背景均匀区域的文本被擦除，气泡内或复杂艺术背景上的文本保留）、指示被擦除像素位置的掩码图像，以及标识无趣区域（如空白边距、平坦装订线）的二进制掩码。此外，每个章节包含一个info.json文件，记录章节元数据、页面尺寸和详细检测框信息，包括约488,000个语音气泡框、约537,000个文本框以及自动清理阶段选择保留的文本框。页面分辨率通常宽度在1,000至2,100像素之间，高度最高可达约7,300像素（用于双页跨页）。该数据集适用于图像修复任务（提供退化输入、修复目标和修复掩码三元组）和目标检测与分割任务（使用边界框和掩码训练气泡和文本检测器），并遵循CC BY-NC 4.0许可证，旨在支持非商业性的学术研究。
The Cleaned Manga Dataset is a comic page dataset specifically developed for training text removal/repair models (e.g., ZITS++) and speech bubble/text detection models. It is a page-oriented variant of the Cleaned Webtoon Dataset, which takes individual comic page images as the basic unit rather than stitched long-form webtoons. The dataset contains approximately 43,217 comic pages sourced from 2,335 chapters across roughly 533 original works, primarily collected from two public manga platforms: GANMA! and Comic Walker. For pages obtained from Comic Walker, the downloaded XOR-scrambled WEBP images have been fully descrambled. Each comic page is paired with four pixel-aligned PNG files: the original page image with all text intact, the auto-cleaned version where text on uniform background regions is erased while text within speech bubbles or on complex artistic backgrounds is preserved, a mask image indicating the locations of erased pixels, and a binary mask identifying uninteresting regions such as blank margins and flat gutters. Additionally, each chapter includes an info.json file that records chapter metadata, page dimensions, and detailed bounding box annotations, including approximately 488,000 speech bubble boxes, 537,000 text boxes, and the text boxes selected for retention during the auto-cleaning process. The resolution of the pages typically ranges from 1,000 to 2,100 pixels in width, with a maximum height of approximately 7,300 pixels for double-page spreads. This dataset supports both image restoration tasks, which provide triplets of degraded input, restoration target, and restoration mask, as well as object detection and segmentation tasks for training speech bubble and text detectors using bounding boxes and masks. It is released under the CC BY-NC 4.0 license to facilitate non-commercial academic research.
数据集概述
Cleaned Manga Dataset 是一个专为文本移除/修复（inpainting）和气泡/文本检测模型训练准备的漫画章节数据集。该数据集以页面为单位，每张漫画页面对应一组包括原始图像、自动清理后的图像、擦除掩码、无兴趣区域掩码以及文本和气泡边界框在内的标注文件。
基本信息
| 属性 | 值 |
|---|---|
| 许可证 | CC BY-NC 4.0（仅适用于标注和元数据，原始作品版权归原作者所有） |
| 任务类型 | 图像到图像、图像分割 |
| 标签 | 漫画、漫画、网漫、修复、文本移除、文本检测、气泡 |
| 数据规模 | 10K < 样本数 < 100K |
| 名称 | Cleaned Manga Dataset (text removal & inpainting) |
数据来源
- GANMA!（
ganma.jp）：免费故事，标准页面图像。 - Comic Walker（
comic-walker.com/ カドコミ）：免费章节；页面为 XOR 加密的 WEBP 格式，下载时已解密。
数据集规模
| 指标 | 数值 |
|---|---|
| 章节数 | ~2,335 |
| 源作品数 | ~533 |
| 页面总数 | ~43,217 |
| 文本边界框数 | ~537,000 |
| 气泡边界框数 | ~488,000 |
| 页面尺寸 | 全分辨率，通常宽约 1,000–2,100 像素，高可达约 7,300 像素（跨页） |
数据集结构
dataset/ <key>/ # 每个章节一个子目录 info.json # 章节元数据 + 每页几何信息和所有边界框 page_0.png # 原始页面（含文字） page_0_cleaned.png # 自动清理后页面（文字在平坦背景上被擦除） page_0_clean_mask.png # 被擦除像素的掩码 page_0_uninteresting.png # 无兴趣区域的二值掩码 page_1.png page_1_cleaned.png ...
章节密钥 <key> 编码规则：
- GANMA：
<别名>_<故事ID>（例如akagaminohanayome_2ca52150-68ee-11f0-8e03-96e8f2a966e0） - Comic Walker：
cw_<作品代码>_<章节ID>（例如cw_KC_000040_S_018d6a9e-4072-73a5-812f-3244507f14dd）
每个章节文件夹的文件
| 文件 | 颜色模式 | 描述 |
|---|---|---|
page_N.png |
RGB | 原始页面，包含文字（白色背景上合成透明通道）。用于修复的源图像。 |
page_N_cleaned.png |
RGB | 自动清理后的页面：仅擦除位于均匀背景上的文字，气泡内或复杂艺术上的文字保留。 |
page_N_clean_mask.png |
L（8-bit） | 自动清理填充的每个像素的掩码（255 = 擦除，0 = 未触碰）。page_N 和 page_N_cleaned 仅在此掩码值为 255 处有差异。 |
page_N_uninteresting.png |
L（8-bit） | 二值（0/255） 无兴趣区域掩码（平坦边距、空白边缘、纯色空白区域，255 = 无兴趣）。用于训练裁剪时跳过空白区域。 |
info.json |
— | 章节元数据 + 每页几何信息和所有边界框（详见下方模式）。 |
info.json 模式（部分示例）
json { "source": "ganma", // "ganma" 或 "comicwalker" "magazine_id": "e9fa8129-…", "alias": "akagaminohanayome", "magazine_title": "赤髪の花嫁は…", "story_id": "2ca52150-…", "story_title": "第3話", "subtitle": "後編", "pages": [ { "index": 0, "page_number": 1, "width": 1975, "height": 2783, "bubble_boxes": [ { "model": "bubble_seg", "label": "speech_bubble", "score": 0.96, "piece_index": 0, "x1": 312, "y1": 1321, "x2": 718, "y2": 1751 } ], "text_boxes": [ { "model": "text_seg", "label": "text", "score": 0.97, "piece_index": 0, "x1": 361, "y1": 1342, "x2": 659, "y2": 1707 } ], "uncleaned_boxes": [ { "x1": 361, "y1": 1342, "x2": 659, "y2": 1707 } ] } ] }
- 边界框使用页面绝对坐标
(x1,y1)–(x2,y2)，model标识检测器类型。 piece_index始终为 0（漫画页面为单一片段）。uncleaned_boxes标记自动清理有意保留的文字（气泡内或复杂艺术上的文字），用于“可移除 vs. 保留”分类训练。
用途说明
- 文本移除/修复（inpainting）：使用
page_N.png（输入，含文字） +page_N_cleaned.png（目标，文字已移除） +page_N_clean_mask.png（掩码，指示需修复区域）构成训练三元组。 - 检测/分割：使用
bubble_boxes和text_boxes作为边界框标注；uncleaned_boxes用于训练“可移除 vs. 保留”分类器。 - 训练裁剪优化：使用
page_N_uninteresting.png掩码，在采样训练块时跳过无兴趣区域。
示例章节
数据集提供了 examples/ 目录，包含来自 10 部不同作品的 10 个章节（6 个来自 GANMA，4 个来自 Comic Walker），作为快速预览。
许可与使用限制
- 原始作品版权归原作者所有。
- 本数据集仅限非商业研究用途（文本移除、修复、检测模型训练）。
- 数据集包含派生制品（掩码、边界框）和原始图像，不得将图像用于商业目的。如需删除内容，请提交 issue。
