苹果公司近日发布了一项重要研究成果——名为《Pico-Banana-400K：面向文本引导图像编辑的大规模数据集》的全新数据集。该数据集包含40万张经过精心编辑的图像，旨在为文本引导的图像编辑模型提供高质量的训练和评测资源。与以往数据集不同，Pico-Banana-400K采用非商业性研究许可发布，允许全球研究人员和学术机构自由使用，但禁止用于商业用途。
近年来，图像生成与编辑技术取得了显著进展，但开放研究仍面临诸多挑战。苹果研究团队指出，现有数据集普遍存在三大问题：一是依赖专有模型生成的合成数据，二是仅包含有限的人工筛选子集，三是存在领域偏移、编辑类型分布不均以及质量控制不一致等问题。这些问题严重制约了鲁棒图像编辑模型的发展。为突破这一瓶颈，苹果团队决定构建一个更全面、更具代表性的图像编辑数据集。
Pico-Banana-400K的构建过程严谨而系统。研究团队首先从OpenImages数据集中精选了大量真实照片，确保内容涵盖人物、物体及含文字场景等多样化元素。随后，他们设计了35种不同类型的图像修改指令，并将其归入八大类别，包括像素与光度调整（如添加复古滤镜）、以人为中心的编辑（如将人物转换为玩具形象）、场景构成与多主体编辑（如改变天气条件）、对象级语义修改（如移动物体位置）以及图像缩放（如放大画面）等。
