Apple 發布了 Pico-Banana-400K，這是一個包含 400,000 張圖像的研究數據集，有趣的是，它是使用 Google Gemini-2.5 模型創建的。以下是詳細信息。
蘋果研究團隊發表了一項有趣的研究，題為“Pico-Banana-400K：大規模文本驅動圖像編輯數據集”。
除了這項研究之外，他們還發布了包含 400,000 張圖像的完整數據集，該數據集是為非商業研究而創建和許可的。這意味著任何人都可以使用它並研究它，只要它用於人工智能領域的學術工作或研究目的。換句話說，它不能用於商業目的。
確實如此，但它是什麼？
幾個月前，谷歌發布了 Gemini-2.5-Flash-Image，也稱為 Nanon-Banana，在圖像編輯模型方面可以說是最先進的。
其他型號也顯示出顯著的改進，但正如蘋果研究人員所說：
“儘管取得了這些進步，但開放研究仍然受到缺乏大規模、高質量和完全可共享的編輯數據集的限制。現有數據集通常依賴於專有模型或有限的人工子集的合成生成。此外，這些數據集通常表現出領域轉移、編輯類型分佈不平衡以及質量控制不一致，這阻礙了穩健編輯模型的開發。”
因此蘋果決定對此採取一些措施。
構建 Pico-Banana-400K
蘋果做的第一件事就是從 OpenImages 數據集中提取了數量不詳的真實照片，“選擇這些照片是為了確保覆蓋人物、物體和文本場景。”
然後，他編制了一份用戶可以要求對模型進行的 35 種不同類型更改的列表，分為八類。例如：
- 像素和光度測量： 添加一些膠片顆粒或複古濾鏡。
- 以人為本： Funko-Pop 風格的人像。
- 場景構圖和多主體： 天氣條件的變化（晴/雨/雪）
- 對象級語義： 移動對象（改變其位置/空間關係）
- 規模： 放大
然後研究人員將圖像與其中一條線索一起加載到 Nano-Banana 中。一旦 Nano-Banana 完成編輯圖像的創建，研究人員將要求 Gemini-2.5-Pro 審查結果，根據是否符合說明和視覺質量，批准或拒絕它。
結果是 Pico-Banana-400K，其中包括使用單遍編輯（一個提示）、多遍編輯序列（多個迭代提示）以及比較成功和不成功結果的偏好對創建的圖像（以便模型還可以了解不良結果是什麼樣子）。
認識到 Nano-Banana 在細粒度空間編輯、佈局外推和版式方面的局限性，研究人員希望 Pico-Banana-400K 能夠成為“訓練和基準測試下一代文本驅動圖像編輯模型的堅實基礎”。
您可以在以下位置找到該研究： arXiv該數據集可免費獲得 GitHub。
亞馬遜上的配飾優惠
FTC：我們使用自動會員鏈接來產生收入。 更多的。
