bezzam/DigiCam-CelebA-10K

该数据集包含两个主要特征：lensless和lensed，均为图像类型。此外，数据集还包含多个布尔类型的特征，如5_o_Clock_Shadow、Arched_Eyebrows等，这些特征可能用于描述图像中人物的面部特征。数据集分为训练集和测试集，分别包含8500和1500个样本。数据集的主要任务类别包括图像到图像和图像分类，标签包括lensless和computational-imaging。数据集的大小类别为1K<n<10K。数据集的使用需要克隆并安装LenslessPiCam，并应用ADMM重建。

原始信息汇总

数据集概述

数据集特征

• 图像类型
  • lensless: 图像类型为 image
  • lensed: 图像类型为 image
• 面部特征
  • 5_o_Clock_Shadow: 布尔类型
  • Arched_Eyebrows: 布尔类型
  • Attractive: 布尔类型
  • Bags_Under_Eyes: 布尔类型
  • Bald: 布尔类型
  • Bangs: 布尔类型
  • Big_Lips: 布尔类型
  • Big_Nose: 布尔类型
  • Black_Hair: 布尔类型
  • Blond_Hair: 布尔类型
  • Blurry: 布尔类型
  • Brown_Hair: 布尔类型
  • Bushy_Eyebrows: 布尔类型
  • Chubby: 布尔类型
  • Double_Chin: 布尔类型
  • Eyeglasses: 布尔类型
  • Goatee: 布尔类型
  • Gray_Hair: 布尔类型
  • Heavy_Makeup: 布尔类型
  • High_Cheekbones: 布尔类型
  • Male: 布尔类型
  • Mouth_Slightly_Open: 布尔类型
  • Mustache: 布尔类型
  • Narrow_Eyes: 布尔类型
  • No_Beard: 布尔类型
  • Oval_Face: 布尔类型
  • Pale_Skin: 布尔类型
  • Pointy_Nose: 布尔类型
  • Receding_Hairline: 布尔类型
  • Rosy_Cheeks: 布尔类型
  • Sideburns: 布尔类型
  • Smiling: 布尔类型
  • Straight_Hair: 布尔类型
  • Wavy_Hair: 布尔类型
  • Wearing_Earrings: 布尔类型
  • Wearing_Hat: 布尔类型
  • Wearing_Lipstick: 布尔类型
  • Wearing_Necklace: 布尔类型
  • Wearing_Necktie: 布尔类型
  • Young: 布尔类型

数据集分割

• 训练集
  • train: 包含 8500 个样本，大小为 11236670416.5 字节
• 测试集
  • test: 包含 1500 个样本，大小为 1981621309.5 字节

数据集大小

• 下载大小: 13157231113 字节
• 数据集大小: 13218291726 字节

配置

• 默认配置
  • data_files:
    • train: 路径为 data/train-*
    • test: 路径为 data/test-*

任务类别

• image-to-image
• image-classification

标签

• lensless
• computational-imaging

数据集规模

• 1K<n<10K

搜集汇总

数据集介绍

构建方式

在计算成像领域，无透镜成像技术因其紧凑性和低成本而备受关注。DigiCam-CelebA-10K数据集正是为推进该技术而构建的，其构建过程独具匠心。该数据集通过一台计算机显示器在30厘米距离处采集图像，仅有一张户外马克杯照片在12厘米处拍摄。它包含了来自CelebA数据集的10000张人脸图像，每张图像均配有对应的无透镜（lensless）与有透镜（lensed）版本。无透镜图像通过衍射光学元件捕获原始光场，而有透镜图像则作为重建的参照标准。数据集的划分遵循8500张训练样本与1500张测试样本的比例，确保模型训练的充分性与评估的可靠性。

使用方法

使用该数据集时，研究者可便捷地通过Hugging Face接口加载数据。推荐的工作流程是首先安装LenslessPiCam开源库，随后利用其提供的ADMM重建脚本对无透镜图像进行恢复。该脚本内置了数据集下载功能，用户仅需指定配置参数即可运行。对于点扩散函数的分析，可通过命令行工具模拟与实测PSF的比对。在Colab笔记本中，用户可直接体验从数据加载到重建的完整流程。数据集默认采用图像到图像（image-to-image）和图像分类（image-classification）两种任务范式，支持灵活的模型设计与评估策略。

背景与挑战

背景概述

无透镜成像技术通过摒弃传统光学镜头，利用编码掩模或衍射元件实现轻量化、低成本的光学系统，在便携式设备与嵌入式视觉领域展现出巨大潜力。然而，该领域长期受困于高质量重建图像数据集的匮乏，阻碍了深度学习算法的性能提升。在此背景下，由洛桑联邦理工学院（EPFL）LCAV实验室主导，于2023年构建了DigiCam-CelebA-10K数据集。该数据集基于CelebA人脸属性标注，通过定制化无透镜相机（DigiCam）采集了10,000对原始无透镜测量图像与对应有透镜参考图像，并完整保留了40项面部属性标签。研究者通过计算机显示器精确控制成像距离（30厘米），确保了数据采集的标准化与可复现性。该数据集不仅为无透镜图像重建提供了首个大规模配对基准，更通过属性标签的保留，开创性地将重建质量评估从像素级拓展至语义级，推动计算成像领域向实际应用场景迈进。

当前挑战

该数据集所解决的领域核心挑战在于无透镜成像系统的逆问题求解：从高度模糊、编码的测量值中恢复清晰图像，传统物理模型方法因噪声与硬件非理想性表现欠佳。数据集构建过程中面临三重挑战：其一，硬件校准难题，需精确对准编码掩模与传感器阵列，实测点扩散函数与理论模型存在偏差，需通过旋转、平移等参数补偿；其二，数据规模与多样性平衡，在有限采集条件下覆盖人脸姿态、光照变化及属性组合的多样性，确保模型泛化能力；其三，多模态标注一致性，需确保40项布尔属性在无透镜模糊图像中的可判别性，避免因成像质量退化导致标签噪声。此外，不同成像距离（12厘米与30厘米）引入的尺度变化，对重建算法的跨场景适应性提出更高要求。

常用场景

经典使用场景

DigiCam-CelebA-10K数据集聚焦于无透镜成像（lensless imaging）这一前沿计算摄影领域，其核心设计在于提供经由数字相机（DigiCam）捕获的真实无透镜图像与对应的高质量有透镜参考图像。该数据集最经典的用途是训练和评估从无透镜观测中重建清晰可见光图像的深度学习模型，例如基于卷积神经网络或Transformer架构的端到端重建算法。研究者可利用其8500对训练样本与1500对测试样本，系统性地探索编码孔径成像中的逆问题求解策略，从而推动无透镜相机在保持超薄外形的同时实现高保真图像复原。

解决学术问题

该数据集有效解决了无透镜成像领域长期缺乏大规模、真实世界配对数据的学术困境。传统研究多依赖仿真数据，导致算法在真实噪声、光学畸变和光照变化下泛化能力不足。DigiCam-CelebA-10K通过提供经过严格校准的真实测量数据，使得研究人员能够深入探究图像先验建模、多尺度特征融合以及域适应等关键问题。其发布显著促进了无透镜成像从理论验证向实用化研究的跨越，为设计鲁棒性更强的重建网络奠定了数据基础，并推动了计算成像与计算机视觉的交叉融合。

实际应用

在实际应用中，该数据集支撑的无透镜成像技术可被部署于对设备厚度和成本极为敏感的领域，例如智能手机超薄摄像头、微型内窥镜以及安防监控设备。基于该数据集训练的模型能够从掩膜编码的散斑图像中恢复出可辨识的人脸特征，从而在隐私保护场景（如智能家居中的身份模糊化）与低光照环境下的视觉感知任务中发挥关键作用。此外，该数据集还适用于开发轻量化嵌入式系统上的实时重建算法，助力边缘计算设备实现高效图像采集与处理。

数据集最近研究

最新研究方向

无透镜成像与计算摄影领域正迎来突破性进展，bezzam/DigiCam-CelebA-10K数据集应运而生，成为连接传统光学成像与前沿计算重构技术的桥梁。该数据集聚焦于无透镜相机在面部属性识别与图像重建中的核心挑战，通过采集8500张训练样本与1500张测试样本，每张图像均配备无透镜原始数据与对应的透镜参考图像，并标注了40余种细粒度面部属性标签，如胡须类型、发型、眼镜佩戴等。这一设计紧密呼应了近年来计算成像领域对端到端重建算法与属性感知重构的迫切需求，尤其是在移动端设备与资源受限场景下，无透镜成像因其轻薄、低成本优势正成为研究热点。数据集提供的模拟与实测点扩散函数（PSF）对比工具，为可微分成像模型与基于深度学习的图像先验学习提供了标准化评估平台，推动着从经典ADMM优化到隐式神经表示等前沿方法在真实无透镜数据上的验证与迭代。