HumanCentric-Scenes-AI: A Human-Curated Multimodal Dataset of AI-Generated Human-Centric Scenes Across Surveillance, Occupational Portraits, AI-Edited Images, and Short-Form Video

📄 arXiv: 2610.29045v1 📥 PDF

作者: Nima Kamali, Sana Nasiri, Negar Kamali

分类: cs.CV, cs.AI, cs.HC

发布日期: 2026-10-21

备注: 14 pages, 3 figures, 10 tables. Dataset: https://huggingface.co/datasets/Nima0Kamali/humancentric-scenes-ai

💡 一句话要点

提出HumanCentric-Scenes-AI数据集以促进人类感知研究

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多模态数据集 人类感知研究 AI生成内容 监控图像 职业肖像 AI编辑 短视频

📋 核心要点

  1. 现有的数据集在多模态人类中心场景生成方面缺乏系统性，难以满足人类感知研究的需求。
  2. 论文提出了HumanCentric-Scenes-AI数据集，涵盖监控、职业肖像、AI编辑图像和短视频等多种场景，提供丰富的多模态数据。
  3. 实验结果表明，该数据集在性别分布、图像质量和视频覆盖率等方面具有良好的代表性，为后续研究提供了可靠基础。

📝 摘要（中文）

我们介绍了HumanCentric-Scenes-AI，这是一个由人类策划的296个AI生成刺激的多模态数据集，展示了人们在四种场景中与AI生成媒体的互动。监控子集包含85张AI生成的监控风格图像，职业子集包含128张涵盖64种职业的平衡配对职业肖像，AI编辑子集包含27张经过生成模型修改的真实照片，视频子集包含56个AI生成的短视频。我们手动策划这些图像和视频，以确保其尽可能逼真，并为每个刺激提供生成提示和元数据。该数据集旨在用于人类感知研究、AI检测分类器的校准和生成模型的偏差分析。

🔬 方法详解

问题定义：本研究旨在解决现有多模态数据集在生成真实人类中心场景方面的不足，尤其是在监控、职业肖像等特定场景中的应用。现有方法往往缺乏系统性和多样性，难以支持深入的人类感知研究。

核心思路：论文通过手动策划和生成多种类型的AI刺激，构建了一个多模态数据集HumanCentric-Scenes-AI，涵盖了监控、职业肖像、AI编辑图像和短视频等多种场景，以满足人类感知研究的需求。

技术框架：数据集的构建分为多个阶段，包括生成AI图像和视频、手动审核和优化、元数据记录等。每个刺激都附带生成提示和详细的元数据，以便于后续分析和研究。

关键创新：该数据集的最大创新在于其多模态特性和人类策划的生成过程，确保了数据的真实性和多样性，填补了现有数据集在特定场景下的空白。

关键设计：在数据集构建过程中，特别关注了性别平衡和图像质量，监控子集的图像质量分布和视频子集的主题类别覆盖率等关键参数被详细记录，以支持后续的研究和分析。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，HumanCentric-Scenes-AI数据集在性别分布方面与美国劳工统计局的职业性别比例相符，监控子集的图像质量分布良好，AI编辑子集的编辑区域大小与零样本检测难度之间存在显著关联，为后续研究提供了重要的实证基础。

🎯 应用场景

HumanCentric-Scenes-AI数据集具有广泛的应用潜力，特别是在心理学、社会学和计算机视觉等领域。它可以用于人类感知研究、AI检测分类器的校准以及生成模型的偏差分析，推动相关领域的研究进展。未来，该数据集可能成为评估和优化AI生成内容的重要基准。

📄 摘要（原文）

We introduce HumanCentric-Scenes-AI, a human-curated dataset of 296 AI-generated stimuli that depict people across four contexts in which people encounter AI-generated media. The Surveillance subset contains 85 AI-generated CCTV-style images. The Occupations subset contains 128 AI-generated occupational portraits in a balanced paired design covering 64 occupations with one female and one male version of each. The AI-edited subset contains 27 real photographs in which a region was altered or replaced by a generative model. The Video subset contains 56 AI-generated short videos. We curated the images and videos manually over multiple rounds to make them as photorealistic as possible. For each stimulus we release the file, the generation prompt where recorded, and per-stimulus metadata. We report depicted-gender distributions from an initial set of 134 generations without a specified gender and compare them with U.S. Bureau of Labor Statistics occupational gender shares. We report edit-region size and its association with zero-shot detection difficulty for the AI-edited subset. We report image-quality distributions for the Surveillance subset and subject-category coverage for the Video subset. HumanCentric-Scenes-AI is intended first for human-perception research, and also for calibration of AI-detection classifiers and bias analysis of generative models.