CyberHarem/kijin_seija_touhou

这是kijin_seija/鬼人正邪/키진세이쟈 (Touhou)的数据集，包含500张图片及其标签。该角色的核心标签包括`black_hair, streaked_hair, horns, multicolored_hair, red_hair, white_hair, red_eyes, short_hair, bow, hair_between_eyes, bangs`，这些标签在数据集中进行了修剪。图片从多个网站（如danbooru, pixiv, zerochan等）爬取，爬取系统由DeepGHS团队提供。本数据集面向kijin_seija/鬼人正邪/키진세이쟈（Touhou系列角色），共计收录500张图片及其配套标注标签。该角色的核心标注标签包括黑发（black_hair）、挑染发丝（streaked_hair）、角（horns）、多色头发（multicolored_hair）、红发（red_hair）、白发（white_hair）、红眼（red_eyes）、短发（short_hair）、蝴蝶结（bow）、眼间碎发（hair_between_eyes）与刘海（bangs），数据集中已对上述标签完成修剪处理。图片从多个二次元图片平台爬取获取，包括danbooru、pixiv、zerochan等，本次爬取所使用的系统由DeepGHS团队提供。

原始信息汇总

数据集概述

数据集名称

Dataset of kijin_seija/鬼人正邪/키진세이쟈 (Touhou)

数据集描述

该数据集包含500张图像及其标签，主要描述角色kijin_seija/鬼人正邪/키진세이쟈（Touhou）。图像来自多个网站，如danbooru、pixiv、zerochan等。

核心标签

• black_hair
• streaked_hair
• horns
• multicolored_hair
• red_hair
• white_hair
• red_eyes
• short_hair
• bow
• hair_between_eyes
• bangs

数据集包列表

名称	图像数量	大小	类型	描述
raw	500	649.76 MiB	Waifuc-Raw	包含元信息的原始数据（如果较大，最小边对齐到1400像素）。
800	500	357.21 MiB	IMG+TXT	短边不超过800像素的数据集。
stage3-p480-800	1182	754.68 MiB	IMG+TXT	3阶段裁剪数据集，区域不小于480x480像素。
1200	500	566.38 MiB	IMG+TXT	短边不超过1200像素的数据集。
stage3-p480-1200	1182	1.06 GiB	IMG+TXT	3阶段裁剪数据集，区域不小于480x480像素。

标签聚类结果

原始文本版本

#	样本数量	图像示例	标签
0	21		1girl, looking_at_viewer, puffy_short_sleeves, solo, white_dress, bracelet, nail_polish, arrow_(symbol), white_background, blue_bowtie, sash, simple_background, black_nails, grin, upside-down
1	7		1girl, bracelet, dress, short_sleeves, solo, tongue_out, arrow_(symbol), looking_at_viewer, smile, puffy_sleeves, sandals, upside-down
2	6		1girl, dress, short_sleeves, solo, tongue_out, looking_at_viewer
3	5		1girl, dress, looking_at_viewer, short_sleeves, solo, smile, open_mouth, upside-down
4	5		1girl, dress, grin, solo, arrow_(symbol), sharp_teeth, bracelet, sandals
5	6		1girl, simple_background, solo, white_background, looking_at_viewer, smile, upper_body

表格版本

#	样本数量	图像示例	1girl	looking_at_viewer	puffy_short_sleeves	solo	white_dress	bracelet	nail_polish	arrow_(symbol)	white_background	blue_bowtie	sash	simple_background	black_nails	grin	upside-down	dress	short_sleeves	tongue_out	smile	puffy_sleeves	sandals	open_mouth	sharp_teeth	upper_body
0	21		X	X	X	X	X	X	X	X	X	X	X	X	X	X	X
1	7		X	X		X		X		X							X	X	X	X	X	X	X
2	6		X	X		X												X	X	X
3	5		X	X		X											X	X	X		X			X
4	5		X			X		X		X						X		X					X		X
5	6		X	X		X					X			X							X					X

搜集汇总

数据集介绍

构建方式

在东方Project的二次创作生态中，角色图像数据集是文本到图像生成模型训练的重要基础。本数据集聚焦于鬼人正邪（Kijin Seija）这一角色，系统性地收录了500张高质量图像及其对应的标签信息。图像采集工作依托于DeepGHS团队开发的自动化爬取系统，广泛覆盖Danbooru、Pixiv、Zerochan等多个主流二次元图源站点。数据集的核心标签如黑发、条纹发、角、多色发、红眼等已在数据集中被剪枝处理，以优化训练效率。数据以多种分辨率版本发布，包括原始版、短边不超过800像素和1200像素的版本，以及经过三阶段裁剪、面积不低于480×480像素的增强版，共计1182个裁剪样本，满足不同训练需求。

特点

该数据集最显著的特征在于其精细化的多版本设计与标签聚类分析。原始版本保留了完整的元信息，便于研究者进行灵活的数据预处理；而裁剪版本则通过三阶段策略自动提取高质量子图，有效提升了训练样本的多样性与针对性。此外，数据集提供了标签聚类结果，将图像按视觉特征与标签组合分为多个簇，例如带有白色连衣裙、蓝色蝴蝶结、箭头符号等元素的图像被归为一类，这为服装搭配、角色风格挖掘等下游任务提供了结构化线索。所有版本均以IMG+TXT格式存储，标签与图像一一对应，确保了数据的高可用性。

使用方法

研究者可通过Hugging Face Hub直接下载压缩包，解压后即可获得图像与标签文件。对于偏好Python生态的用户，推荐使用Waifuc库加载原始数据集：首先通过huggingface_hub库下载dataset-raw.zip，解压至指定目录后，利用LocalSource接口即可逐项读取图像及其文件名与标签，便于集成到现有的训练流程中。数据集支持直接用于文本到图像模型的微调，用户可根据需求选择合适的分辨率版本，或利用聚类信息进行数据筛选与增强，从而针对鬼人正邪角色的特定风格或服饰进行定制化训练。

背景与挑战

背景概述

在文本到图像生成任务中，高质量、标注精细的角色数据集是驱动模型精准刻画特定形象的关键资源。鬼人正邪（Kijin Seija）作为《东方Project》系列中颇具辨识度的角色，以其黑白相间的头发、红色眼眸与鬼角等特征著称。该数据集由CyberHarem团队于近期创建，依托DeepGHS团队开发的自动爬取系统，从Danbooru、Pixiv、Zerochan等多个动漫图像社区采集并整理了500张图像及其标签。核心研究问题聚焦于为角色定制化生成提供标准化、可复用的训练素材，从而推动二次元风格图像生成模型的精细化发展。该数据集通过提供多种分辨率和裁剪版本，显著降低了研究者预处理图像的门槛，对二次元角色生成领域具有示范意义。

当前挑战

该数据集所面临的挑战首先体现在领域问题层面：文本到图像生成模型在描绘特定角色时，常因训练数据中角色特征标签不完整或噪声过多而产生形象混淆或细节缺失。鬼人正邪的多色发、鬼角、倒立姿态等独特元素对模型的细粒度理解提出较高要求。其次，构建过程中面临多重技术难题：数据采集需从不同站点整合，各平台标注风格与质量参差不齐，自动爬取系统需处理版权过滤与图像去重；标签体系需经过剪枝以保留核心描述词，同时避免过度简化导致信息丢失；图像分辨率与裁剪策略需平衡存储效率与模型训练效果，例如多阶段裁剪方法虽能提升局部细节利用率，但可能引入构图偏差。

常用场景

经典使用场景

在二次元图像生成领域，该数据集专为东方Project角色“鬼人正邪”的文本到图像生成任务而设计。其核心应用场景是作为角色定制化扩散模型（如Stable Diffusion）的微调训练数据，通过500张高质量标注图像及对应的标签信息，使模型精准捕捉该角色的视觉特征，包括标志性的条纹双色长发、赤瞳、短角及蝴蝶结等元素。数据集提供了多种分辨率版本（如800px和1200px）以及经过三阶段裁剪的增强版本，便于研究者根据计算资源灵活选择，从而在保持角色一致性的前提下生成风格多样的艺术作品。

实际应用

在实际应用中，该数据集支撑着二次元内容创作工具的开发与优化。游戏公司可利用其训练专属的角色生成模型，快速产出符合原设的插画素材；同人创作社区则借助微调后的模型实现个性化角色定制，降低绘画门槛。此外，该数据集还服务于虚拟主播的立绘自动生成、漫画分镜辅助设计以及动画前期概念图制作等场景。其提供的多尺寸版本和Waifuc框架兼容性，使得从学术实验到工业部署的转化更加顺畅，显著提升了动漫产业中角色视觉资产的复用效率。

衍生相关工作

该数据集衍生了一系列重要的学术与实践工作。在模型层面，研究者基于它开发了角色感知的LoRA权重适配方法，实现了轻量级角色定制；在数据层面，其标签聚类结果启发了基于视觉相似性的自动标注优化算法。此外，该数据集常与CyberHarem系列其他角色数据集联合使用，用于评估多角色混合生成中的特征混淆问题。开源社区中，基于该数据集的训练教程和预训练权重促进了扩散模型在二次元领域的普及，推动了如NovelAI、WaifuDiffusion等知名生成工具的技术迭代。