arXiv cs.AI· Benjamin Aubin, Gonzalo I\~naki Quintana, Onur Tasar, Sanjeev Sreetharan, Urszula Czerwinska, Damien Henry, Cl\'ement Chadebec·· 10 小时前AI 评分45
MONET：一个大规模、开放、非冗余且增强的文本到图像数据集
MONET: A Massive, Open, Non-redundant and Enriched Text-to-image dataset
AI 导读
MONET 是一个采用 Apache 2.0 协议的开放文本到图像数据集，包含从 2.9B 原始图文对中筛选出的 103.8M 图文对，经过安全过滤、领域过滤、精确与近似去重，并用多个视觉语言模型重新生成短到长描述，还补充了合成样本。每张图像附带预计算嵌入向量和标注。仅用该数据集训练的 4B 参数潜在扩散模型在 GenEval 和 DPG 上取得有竞争力的分数。
正文 · AI 翻译
摘要：训练大型文本到图像模型需要高质量、经过整理的数据集，其内容多样且配文详细。然而，大规模收集、过滤、去重和重新配文此类语料的成本与复杂性，阻碍了该领域的开放与可复现研究。我们推出 MONET，这是一个采用 Apache 2.0 许可的开放数据集，包含 1.038 亿个图文对，这些图文对从异构开放来源的 29 亿个原始图文对中收集而来，历经安全过滤、基于领域的过滤、精确与近似去重，以及使用多个视觉语言模型进行重新配文（涵盖从简短到长篇的描述），并进一步用合成生成的样本进行了增强。每张图像都附带预计算的嵌入和标注，以加速下游使用。为验证 MONET 的有效性，我们仅在其上训练了一个 40 亿参数的潜在扩散模型，并达到了具有竞争力的 GenEval 和 DPG 分数，表明我们的数据集降低了大规模、可复现文本到图像研究的门槛。
| 评论： | 更新预印本，加入定稿修改 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.21272 [cs.CV] |
| （或 arXiv:2605.21272v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.21272 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Gonzalo Iñaki Quintana [查看电子邮件]
[v1]
2026年5月20日星期三 15:04:56 UTC（31,595 KB）
[v2]
2026年11月4日星期三 16:11:57 UTC（28,397 KB）
来源：arXiv cs.AI · arxiv.org