苹果发布40万张图像的Pico-Banana数据集，助力AI图片编辑模型训练

10月29日，苹果公司正式推出名为Pico-Banana-400K的大规模研究数据集，其中包含40万张经过处理的图像样本。值得注意的是，该数据集的构建过程采用了谷歌最新发布的Gemini 2.5模型作为核心技术支撑。

据悉，这项研究成果以《Pico-Banana-400K：面向文本引导图像编辑的大规模数据集》为题发布，同时苹果还公开了基于该研究生成的完整图像资源。该数据集采用非商业研究许可协议发布，意味着学术机构与研究团队可自由使用其中的数据资源，但禁止将其应用于商业场景。

数月前，谷歌推出的Gemini 2.5-Flash-Image模型（内部代号Nanon-Banana）在图像编辑任务中表现卓越，被业界视为当前最先进的视觉内容处理工具之一。尽管近年来各类生成式模型在图像处理领域进步显著，但苹果研究团队指出："虽然技术持续革新，开放研究仍受限于缺乏大规模、高质量且可自由共享的图像编辑数据集。现有数据集往往依赖专有模型生成的合成数据，或仅包含有限的人工筛选样本。此外，这些数据普遍存在领域偏移、编辑类型分布不均以及质量控制不一致等问题，严重制约了高质量图像编辑模型的研发进程。"

为突破这一瓶颈，苹果团队着手构建更具全面性与代表性的图像编辑数据集。

Pico-Banana-400K的构建流程

研究团队首先从OpenImages数据集中筛选了大量真实照片，确保样本涵盖人物肖像、实体物体及含文字场景等多样化内容。

随后，团队设计了35种不同类型的图像修改指令，并将其归类为八大编辑类别，具体包括：

像素与光度调整：如添加胶片颗粒质感或复古滤镜效果；

以人为中心的编辑：例如将人物形象转化为Funko Pop风格的玩具造型；

场景构图与多主体编辑：如改变天气条件（晴天/雨天/雪天）；

对象级语义修改：如移动物体位置或调整空间关系；

图像缩放处理：如局部画面放大等操作。

接下来，研究人员会将原始图像连同编辑指令输入至Nanon-Banana模型执行图像编辑。生成结果随后交由Gemini 2.5-Pro模型进行自动化评估，判断其是否准确遵循指令并具备良好的视觉质量。只有通过双重验证的结果才会被纳入最终数据集。

Pico-Banana-400K不仅包含单轮编辑（即通过单次提示完成修改）的样本，还涵盖多轮连续编辑序列，以及"偏好对比"样本——即成功与失败的编辑结果对比，帮助模型学习区分理想与不良输出。

尽管研究团队承认Nanon-Banana在精细空间控制、布局推理和文字排版处理方面仍存在局限，但他们强调，Pico-Banana-400K的核心目标是为下一代文本引导图像编辑模型提供坚实、可复现的训练与评测基础。

目前，相关研究论文已发表于预印本平台arXiv，完整的Pico-Banana-400K数据集也在GitHub上面向全球研究者免费开放。

免责声明

游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。

同类文章