AmazarashiEndure/Chinese_Landscape_Painting

---
license: cc-by-4.0
task_categories:
- image-to-image
language:
- zh
tags:
- art
size_categories:
- 100K<n<1M
---

数据集名称
===
Chinese_Landscape_Painting

数据集简介
===
这是一份为南京大学智能科学与技术专业大二秋季学期课程人工智能导论课程的项目训练而搭建的数据集。

由于目前较大规模、高质量、且适应现代flux模型的高分辨率的山水画数据集稀缺，故我们搭建了这个数据集，以进行flux模型的lora微调训练。

数据集包含了1017张局部图片，79张全景图片，全部采样自中国山水画的十大名画，并全部带有精细的严格结构化标注。

如果你想使用该数据集进行flux模型训练，可以直接下载并自行修改相应的子文件夹名称以改变每张图片的训练次数。

引用说明
===
如果您在研究或项目中使用了本数据集，请按以下格式引用：

**BibTeX:**
```bibtex
@dataset{Chinese_Landscape_Painting,
author = {Wei Liangxu},
title = {Chinese_Landscape_Painting},
year = {2025},
publisher = {Hugging Face},
howpublished = {\url{[https://huggingface.co/datasets/AmazarashiEndure/Chinese_Landscape_Painting](https://huggingface.co/datasets/AmazarashiEndure/Chinese_Landscape_Painting)}},
}

license: cc-by-4.0
task_categories:
- image-to-image
language:
- zh
tags:
- art
size_categories:
- 100K<n<1M
---
Dataset Name
===
Chinese_Landscape_Painting

Dataset Overview
===
This dataset was developed for the project training component of the *Introduction to Artificial Intelligence* course, taken by sophomores majoring in Intelligent Science and Technology during the fall semester at Nanjing University.

Given the scarcity of large-scale, high-quality, high-resolution landscape painting datasets compatible with modern Flux models, we constructed this dataset to support LoRA fine-tuning of Flux models.

This dataset comprises 1017 cropped images and 79 full-view images, all sampled from the top ten classic Chinese landscape paintings, with meticulous and strictly structured annotations.

If you wish to use this dataset for Flux model training, you may directly download it and modify the names of the corresponding subfolders to adjust the training iterations for each image.

Citation Guidelines
===
If you use this dataset in your research or projects, please cite it using the following format:

**BibTeX:**
bibtex
@dataset{Chinese_Landscape_Painting,
author = {Wei Liangxu},
title = {Chinese_Landscape_Painting},
year = {2025},
publisher = {Hugging Face},
howpublished = {url{https://huggingface.co/datasets/AmazarashiEndure/Chinese_Landscape_Painting}},
}

搜集汇总

数据集介绍

构建方式

该数据集专为南京大学智能科学与技术专业课程项目而构建，旨在弥补当前大规模、高质量、适配现代flux模型的高分辨率山水画数据集的稀缺性。数据来源涵盖中国山水画十大名画，共采集1017张局部图片与79张全景图片，总计1096张样本。所有图像均经过精细且严格的结构化标注，确保标注的一致性与准确性，为后续模型训练提供可靠基础。

特点

数据集以高分辨率和精细标注为核心特点，每张图片均源自经典名画，兼具艺术价值与数据质量。局部与全景图片的混合设计增强了数据多样性，可支持不同尺度的图像生成任务。严格的结构化标注为模型理解山水画风格与构图提供了明确的监督信号，尤其适用于flux模型的LoRA微调训练，提升生成图像的风格保真度。

使用方法

用户可直接从HuggingFace平台下载该数据集，并基于flux模型进行LoRA微调训练。数据集按子文件夹组织，用户可灵活修改文件夹名称以调整每张图片的训练权重或重复次数。建议结合扩散模型的标准训练流程，将标注信息与图像配对输入，利用精细标注优化风格迁移效果。无需额外预处理即可直接使用，降低使用门槛。

背景与挑战

背景概述

中国山水画作为东方艺术瑰宝，其数字化研究长期受限于高质量数据集的匮乏。2025年，南京大学智能科学与技术专业团队在课程项目驱动下，由Wei Liangxu等人构建了Chinese_Landscape_Painting数据集，旨在填补现代生成模型（如Flux）在高分辨率山水画微调训练方面的数据空白。该数据集精选自中国十大传世山水名画，包含1017张局部与79张全景图像，每幅均附有严格的结构化标注，为艺术生成与图像翻译任务提供了标准化训练资源。其发布不仅推动了深度学习在传统绘画数字化复原与风格迁移领域的研究，更成为连接古典美学与现代AI技术的桥梁。

当前挑战

当前数据集面临多重挑战。领域层面，中国山水画风格多样（如皴法、留白、意境表达），现有模型难以精准捕捉其抽象美学特征，导致生成结果常缺乏原作的神韵；同时，局部与全景图像的尺度差异增加了模型对构图逻辑的学习难度。构建过程中，团队需从稀有的名画高清扫描件中手工分割并标注，面临标注一致性维护、版权限制及数据量不足（仅千余张）的困境。此外，Flux模型对高分辨率输入的要求进一步加剧了计算资源消耗，使得数据增强与平衡训练成为优化瓶颈。

常用场景

经典使用场景

Chinese_Landscape_Painting数据集的核心应用场景在于对Flux模型进行LoRA微调训练，以生成具有中国传统山水画风格的高分辨率图像。该数据集精心采集自中国山水画十大名画，包含1017张局部与79张全景图像，每张均附有精细的结构化标注，为模型提供了丰富的视觉特征与构图范式。研究者可通过调整子文件夹名称灵活控制每张图片的训练权重，从而优化生成效果。这一场景特别适用于探索古典美学与现代生成模型的融合，推动艺术风格迁移技术的精细化发展。

解决学术问题

该数据集有效缓解了中国山水画领域高质量、大规模、适配现代Flux模型的数据资源匮乏问题。学术研究中，传统山水画的数字化常受限于样本不足或分辨率低下，导致模型难以捕捉其独特的笔触、墨韵与空间留白。Chinese_Landscape_Painting通过结构化标注与高分辨率图像，为计算机视觉与生成式模型研究提供了标准化的训练基准，助力解决风格一致性保持、细节纹理生成等关键难题，其意义在于填补了东方艺术风格数据集在Flux生态中的空白，促进了跨文化AI艺术研究的深化。

衍生相关工作

基于该数据集，研究者已开展多项衍生工作。在模型层面，围绕Flux的LoRA微调框架，探索了不同参数配置对山水画风格保真度的影响，并对比了与DreamBooth、Textual Inversion等方法的生成差异。在应用扩展上，有工作将其与ControlNet结合，实现基于边缘或深度图的定向山水画生成。此外，该数据集还催生了针对中国画特殊元素（如题跋、印章）的局部风格迁移研究，以及多模态描述生成任务，推动了AI在东方艺术领域的系统化探索。