苹果发布Pico-Banana 40万数据集：优化文本引导图像编辑模型训练
苹果公司近日正式发布名为《Pico-Banana-400K：面向文本引导图像编辑的大规模数据集》的研究成果，并同步公开了包含40万张图像的完整数据集。该数据集采用非商业性研究许可协议发布，允许全球学术机构与研究人员自由使用，同时明确禁止商业用途。此举旨在解决当前图像编辑领域因数据集质量参差不齐、共享性受限等核心问题。
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
研究团队指出，尽管近年来图像生成与编辑技术取得显著突破，但开放研究仍面临关键瓶颈。现有数据集普遍存在三大缺陷：依赖专有模型生成的合成数据、人工筛选子集规模有限、以及领域偏移与质量控制不一致等问题。这些缺陷直接导致鲁棒图像编辑模型的开发受阻。为突破这一局限，苹果团队历时数月构建了Pico-Banana-400K数据集。
该数据集的构建流程体现了严谨的筛选机制。研究人员首先从OpenImages数据集中精选涵盖人物、物体及文字场景的多样化真实照片，随后设计了35类图像修改指令，并划分为八大编辑类别。具体包括像素与光度调整（如添加复古滤镜）、以人为中心的编辑（如生成Funko-Pop风格形象）、场景构成编辑（如天气条件变换）、对象级语义修改（如物体空间关系调整）等。
在技术实现层面，团队采用谷歌的Gemini-2.5系列模型完成核心工作。每张原始图像与编辑指令输入至Nanon-Banana模型（即Gemini-2.5-Flash-Image）生成编辑结果后，需通过Gemini-2.5-Pro模型的双重验证：评估编辑是否精准遵循指令，并确保视觉质量达标。只有通过严格筛选的样本才会被纳入最终数据集。
数据集的创新性体现在其结构设计上。除包含单轮编辑样本外，还首次引入多轮连续编辑序列，模拟真实场景中的渐进式修改需求。更值得关注的是"偏好对"样本的收录——通过对比成功与失败的编辑结果，为模型提供区分优质输出的学习范例。这种设计有助于提升下一代文本引导图像编辑模型的判断能力。
研究团队坦承，当前使用的Nanon-Banana模型在精细空间控制、布局外推及文字排版处理方面仍存改进空间。但他们强调，Pico-Banana-400K的核心价值在于为行业提供首个可复现、高质量的训练与评测基准。目前，相关研究论文已上线预印本平台arXiv，完整数据集则在GitHub平台向全球研究者开放下载。
热门专题
热门推荐
加密货币行业翘首以盼的监管里程碑，终于有了实质性进展。美国证券交易委员会（SEC）主席保罗·阿特金斯（Paul Atkins）近日证实，那份允许加密项目在早期获得注册豁免权的“安全港”框架提案，已经正式送抵白宫，进入了最终审查阶段。 在范德堡大学与区块链协会联合举办的数字资产峰会上，阿特金斯透露了这
微策略Strategy报告：第一季录得144 6亿美元浮亏 再斥资约3 3亿美元买进4871枚比特币 市场震荡的威力有多大？看看Strategy的最新季报就明白了。根据其最新向美国证管会(SEC)提交的8-K报告，受市场剧烈波动影响，这家公司所持的比特币在第一季度录得了一笔惊人的数字——144 6亿
稳定币巨头Tether的动向，向来是加密世界的风向标。这不，它向Web3基础设施的版图扩张，又迈出了关键一步。公司执行长Paolo Ardoino在社交平台X上透露，其工程团队正在全力“烹制”一个新项目——去中心化搜索引擎 “Hypersearch”。这个消息一出，立刻引发了行业的广泛猜想。 采用D
基地位于Coinbase旗下以太坊Layer2网络Base的Seamless Protocol，日前正式宣告了服务的终结。这个曾经吸引了超过20万用户的原生DeFi借贷协议，在运营不到三年后，终究没能跑赢时间。它主打的核心产品是Integrated Leverage Markets（ILMs）——一
PAAL代币揭秘：深度解析Web3社区治理的核心钥匙 在去中心化自治组织的浪潮中，谁真正掌握了项目的话语权？PAAL代币提供了一套系统化的答案。它不仅是生态内流转的价值媒介，更是开启链上治理大门的核心凭证。通过持有并质押PAAL代币，用户能够对协议升级、资金分配乃至战略方向等关键事务投出决定性的一票