8.7 艺术数据集与基准构建：从 WikiArt 到自建

本章目标：给你 A1（看画基准）/D1（中国画数据集）的完整施工手册——现有资源盘点、标注规范怎么写、质量控制怎么做、版权怎么处理。学完标准：能独立启动一个”30 条样例 → 300 条试点 → 3000 条成集”的数据集项目。

1. 现有资源盘点（先看别人修好的路）

数据集	规模/标签	特点与坑
WikiArt	25 万件/流派·画家· genre 标签	最大最常用；标签噪声大（流派边界粗糙）、中国画几乎缺位、高清率参差
ArtBench	6 万张/10 流派（含浮世绘）	类平衡、抓取干净——做分类基线的首选
DeviantArt/ArtStation 类	现代数字插画/二次元	风格多样但版权最敏感，研究慎用商用
博物馆开放接口（Met、Rijksmuseum、SMK 等）	馆藏级高清+权威元数据	版权最干净、元数据最专业；规模有限、西方中心
中国画专项	零散（各馆数字化、学术项目）	系统性空白——D1 的机会所在

盘点结论：通用分类有得用，“理解与评测”层的数据几乎空白——没有按三层框架标注的 VLM 评测集、没有中国画系统性数据、没有”风格复现度”的量化基准（8.3 作业的延长线）。这就是 A1/D1 的空间。

先写规范再标图（顺序错了返工十倍）。规范必含五节：

分类学：三层框架落地为字段——形式（流派/媒介/色彩性格/构图类型）、内容（题材/主体/叙事要素）、语境（画家/年代/流派归属/图像学符号）；每个字段给封闭枚举+图例（“写意”与”兼工带写”的分界，文字说不清就放两张对比图）；
判定规则：边界 case 的优先级（“画家标注冲突时以馆藏元数据为准”）；不确定性选项（允许”存疑”，禁止硬选——硬选出来的标签是毒数据）；
样例集：30 条”金标准”样例（含正例/边界例/反例），标注员先通过样例测试才能上岗；
流程：标注→抽检→仲裁三级；每批次 10% 双人背靠背标注算一致性；
版本：v0 试点（300 条）→ 一致性分析 → 修规范 → v1 放量。

标注者间一致性（IAA）：分类字段用 Cohen’s kappa（≥0.6 可接受，≥0.8 优秀）；低一致性的字段不是标注员的错，是你分类学的错——回去切分枚举或加图例；
锚点抽查：混入 5% 金标准样例，实时监控每个标注员的准确率漂移；
模型交叉核查：用 VLM/CLIP 预标注 + 人工复核（人机协同提效），但模型只能提议不能终审——否则模型的偏见会写进你的数据集（3.7 的污染思想在供给侧）。

公有领域（作者逝世 70 年+，大部分古典绘画）作品的摄影复制品：馆藏机构对”摄影化”可能主张权利——用博物馆开放接口的条款（多数 CC0/CC-BY）最稳；
在世艺术家：训练用途避开，评测/引用需授权或合理使用论证——论文里写清数据来源与用途限定（datasheet 必填项）；
人物肖像的隐私、宗教/民族题材的文化敏感性——D1 尤其注意。

第1-2周  规范v0 + 30条金标准样例（和导师过一次）
第3-4周  300条试点 → kappa分析 → 规范v1
第5-8周  3000条放量（双人背靠背10%）→ 清洗 → datasheet v1
第9-12周 基线实验（2-3个VLM跑分）→ 数据集论文或并入A1

成本真相：120 小时标注人力 ≈ 导师组里 1–2 个本科生同学合力一学期——这就是为什么要早进组（数据工程是组内人力能办的事，独自一人会卡死在放量期）。