苹果公司近日推出了一项名为Pico-Banana-400K的图像研究数据集，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技术提供更强大的训练和评估资源。这一成果已通过预印本平台arXiv发布，完整数据集也在GitHub上向全球研究人员开放，采用非商业性研究许可协议，允许学术机构自由使用，但禁止商业用途。
研究团队指出，当前图像编辑领域虽然技术进步显著，但开放研究仍面临数据集质量不足的挑战。现有数据集多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，普遍存在领域偏差、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、更具代表性的数据集。
Pico-Banana-400K的构建过程始于对OpenImages数据集中真实照片的筛选，确保样本涵盖人物、物体及含文字场景等多样化内容。研究团队设计了35种不同类型的图像编辑指令，并将其归类为八大类别，包括像素与光度调整（如添加复古滤镜）、以人为中心的编辑（如将人物转换为卡通风格）、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）、图像缩放（如放大画面）等。
在编辑过程中，研究人员将原始图像与编辑指令输入谷歌的Gemini 2.5-Flash-Image模型（也被称为Nanon-Banana）进行生成，随后利用Gemini 2.5-Pro模型对结果进行自动评估，确保编辑结果既准确遵循指令，又具备良好视觉质量。只有通过双重验证的样本才会被纳入最终数据集。
该数据集不仅包含单轮编辑的样本，还涵盖了多轮连续编辑序列，以及“偏好对”样本——即成功与失败编辑结果的对比，帮助模型学习区分理想与不良输出。这种设计使得Pico-Banana-400K能够支持更复杂的编辑任务，并为模型训练提供更丰富的反馈信号。
尽管研究团队承认Nanon-Banana模型在精细空间控制、布局外推和文字排版处理方面仍存在局限，但他们强调，Pico-Banana-400K的目标是为下一代文本引导图像编辑模型提供一个坚实、可复现的基础。通过公开这一资源，苹果希望推动图像编辑领域的技术进步，并为研究人员提供更高效的工具，以应对开放研究中的数据挑战。
