CelebA，即 CelebFaces 属性数据集（CelebFaces Attributes Dataset），是由香港中文大学的研究人员于2015年推出的大规模人脸数据集。它包含 202,599 张人脸图像，涵盖 10,177 个独特的 celebrity 身份，每张图像都标注了 40 个二元属性标签，例如“微笑”、“眼镜”、“男性”和“年轻”。该数据集的创建旨在支持面部属性识别、人脸检测和人脸生成方面的研究，并已成为 Machine learning 和 Deep learning 领域的标准基准。
CelebA 中的图像来源于从互联网收集的 celebrity 照片，随后经过对齐和裁剪，以聚焦于居中的面部区域。标注过程结合了自动化标记和人工验证，确保跨 40 个属性的高度一致性。该数据集被划分为三个部分：162,770 张图像用于训练，19,867 张用于验证，19,962 张用于测试，这一标准划分便于在不同模型之间进行可重复的比较。
属性预测与识别
CelebA 最常用于属性预测任务，即模型需根据人脸图像对 40 个二元属性中的一个或多个进行分类。该任务推动了 Neural network 架构的进步，尤其是卷积神经网络（CNN），后者在此基准上取得了高准确率。该数据集还支持多任务学习，即单个模型同时预测所有属性，这是现代人脸分析系统中的常见方法。研究人员常使用 CelebA 来评估模型在多样化人群中的泛化能力，因为 celebrity 身份涵盖了广泛的年龄、种族和面部表情。
人脸生成与合成
除了分类外，CelebA 已成为生成模型的基础数据集。它常被用于训练生成对抗网络（GAN）和变分自编码器（VAE），以生成逼真的合成人脸。该数据集的属性标签支持条件生成，即模型可以生成具有特定特征的人脸，例如添加微笑或改变发色。这一能力在推进 Generative AI 技术（包括风格迁移和人脸编辑）方面发挥了重要作用。许多早期的 GAN 论文，包括涉及渐进式增长和基于风格的架构的论文，都使用 CelebA 作为主要评估数据集。
基准测试与评估
CelebA 作为标准基准，用于比较不同 Artificial intelligence 模型的性能。其大规模和丰富的标注使得对人脸识别、关键点检测和属性编辑算法的严格测试成为可能。该数据集通常与分类准确率、F1 分数和生成图像的 Fréchet Inception Distance（FID）等指标配合使用。由于其广泛采用，CelebA 上的结果在不同研究之间具有直接可比性，使其成为计算机视觉领域的事实标准。该数据集也被用于研究人脸分析系统中的公平性和偏差，因为属性标签可以揭示模型性能中的群体差异。
技术细节与获取
该数据集以一组对齐和裁剪的图像形式分发，每张图像尺寸为 178x218 像素，并附带一个列出属性标注的文本文件。原始发布版本还包括每张人脸的 landmark 位置，但在现代应用中这些位置的使用较少。CelebA 可公开用于学术研究，其流行性促使其被集成到 PyTorch 和 TensorFlow 等主要框架中，这些框架提供了针对该数据集的内置数据加载器。数据集的发布者还发布了配套数据集 CelebA-HQ，该数据集提供了更高分辨率的图像版本（最高 1024x1024），适用于需要更精细细节的任务。
影响与局限性
CelebA 对人脸分析技术的发展产生了显著影响，影响了从社交媒体滤镜到安全系统的各个方面。然而，它也存在已知的局限性。该数据集偏向于 celebrity 面孔，可能无法代表普通人群，并且二元属性标签可能过度简化复杂的面部特征。此外，图像分辨率相对较低，这可能限制在需要精细细节的任务上的性能。尽管存在这些问题，CelebA 仍然是一个广泛使用的资源，其设计启发了后续数据集，如 FFHQ 和 VGGFace2。截至 2025 年，它仍是评估与面部相关的 Deep learning 研究新方法的标准参考点。