蘋果公司近日推出了一項(xiàng)名為Pico-Banana-400K的圖像研究數(shù)據(jù)集，該數(shù)據(jù)集包含40萬張經(jīng)過精心編輯的圖像，旨在為文本引導(dǎo)的圖像編輯技術(shù)提供更強(qiáng)大的訓(xùn)練和評估資源。這一成果已通過預(yù)印本平臺arXiv發(fā)布，完整數(shù)據(jù)集也在GitHub上向全球研究人員開放，采用非商業(yè)性研究許可協(xié)議，允許學(xué)術(shù)機(jī)構(gòu)自由使用，但禁止商業(yè)用途。

研究團(tuán)隊(duì)指出，當(dāng)前圖像編輯領(lǐng)域雖然技術(shù)進(jìn)步顯著，但開放研究仍面臨數(shù)據(jù)集質(zhì)量不足的挑戰(zhàn)。現(xiàn)有數(shù)據(jù)集多依賴專有模型生成的合成數(shù)據(jù)，或僅包含有限的人工篩選樣本，普遍存在領(lǐng)域偏差、編輯類型分布不均以及質(zhì)量控制不一致等問題，這些問題嚴(yán)重制約了魯棒圖像編輯模型的發(fā)展。為突破這一瓶頸，蘋果團(tuán)隊(duì)決定構(gòu)建一個(gè)更全面、更具代表性的數(shù)據(jù)集。

Pico-Banana-400K的構(gòu)建過程始于對OpenImages數(shù)據(jù)集中真實(shí)照片的篩選，確保樣本涵蓋人物、物體及含文字場景等多樣化內(nèi)容。研究團(tuán)隊(duì)設(shè)計(jì)了35種不同類型的圖像編輯指令，并將其歸類為八大類別，包括像素與光度調(diào)整（如添加復(fù)古濾鏡）、以人為中心的編輯（如將人物轉(zhuǎn)換為卡通風(fēng)格）、場景構(gòu)成與多主體編輯（如改變天氣條件）、對象級語義修改（如移動物體位置）、圖像縮放（如放大畫面）等。

在編輯過程中，研究人員將原始圖像與編輯指令輸入谷歌的Gemini 2.5-Flash-Image模型（也被稱為Nanon-Banana）進(jìn)行生成，隨后利用Gemini 2.5-Pro模型對結(jié)果進(jìn)行自動評估，確保編輯結(jié)果既準(zhǔn)確遵循指令，又具備良好視覺質(zhì)量。只有通過雙重驗(yàn)證的樣本才會被納入最終數(shù)據(jù)集。

該數(shù)據(jù)集不僅包含單輪編輯的樣本，還涵蓋了多輪連續(xù)編輯序列，以及“偏好對”樣本——即成功與失敗編輯結(jié)果的對比，幫助模型學(xué)習(xí)區(qū)分理想與不良輸出。這種設(shè)計(jì)使得Pico-Banana-400K能夠支持更復(fù)雜的編輯任務(wù)，并為模型訓(xùn)練提供更豐富的反饋信號。

盡管研究團(tuán)隊(duì)承認(rèn)Nanon-Banana模型在精細(xì)空間控制、布局外推和文字排版處理方面仍存在局限，但他們強(qiáng)調(diào)，Pico-Banana-400K的目標(biāo)是為下一代文本引導(dǎo)圖像編輯模型提供一個(gè)堅(jiān)實(shí)、可復(fù)現(xiàn)的基礎(chǔ)。通過公開這一資源，蘋果希望推動圖像編輯領(lǐng)域的技術(shù)進(jìn)步，并為研究人員提供更高效的工具，以應(yīng)對開放研究中的數(shù)據(jù)挑戰(zhàn)。