針對高質量、精確對齊的圖像 - 文本對稀缺，提出一種新的數據生成管道 SynthVLM ，用于生成圖像 - caption 對：SynthVLM - 100K，并通過微調模型，SynthVLM-100K 上預訓練的模型就超越了依賴 LLaVA - 558K 的基準方法，方法簡單直接，下面看看。

方法

SynthVLM通過兩個步驟構建高質量的圖像-文本數據集：

SynthVLM 數據合成方法的流水線如下：首先，篩選高質量的圖像-標題對；接著，合成高質量數據，并依據 CLIP 得分進行后續篩選。

1、合成數據集構建

• 數據來源：為確保caption的多樣性，結合了人工生成和模型生成的caption。人工生成的caption主要來自LAION、CC和SBU，模型生成的caption則利用BLIP2對DataComp數據集中的圖像重新生成。
• caption篩選：為保證數據集質量，先去除低質量caption，如廣告、重復描述和語法錯誤較多的內容。篩選過程借助ChatGPT，并結合N-grams、Perplexity等統計指標，僅保留高質量、信息豐富的caption用于訓練。接著，計算這些caption及其相應原始圖像的CLIPScore，選擇得分前40%的圖像-caption對，組成100萬caption的候選集，此步驟有效減少了存儲開銷和處理時間。
• 圖像生成：在篩選出100萬高質量caption后，使用Stable Diffusion XL（SDXL）模型生成圖像。SDXL能夠高效生成高質量、高分辨率（1024x1024）的圖像，有效解決了現有數據集圖像分辨率低的問題，提升了訓練數據的質量和實用性。

2、合成數據選擇

• 評估指標：為更好地確保圖像與文本描述的對齊，繼續使用CLIPScore評估圖像與文本的對齊程度。由于生成的圖像分辨率為1024×1024，需調整為336×336以適配CLIP模型，這一過程可能導致圖像質量損失，因此引入結構相似性指數（SSIM）來衡量圖像質量。最終，通過加權求和的方式將CLIPScore和SSIMScore結合，如下：λ設為0.5以平衡兩者的貢獻。
• 數據篩選：對100萬合成的圖像-caption對計算CLIPScore和SSIMScore，選擇得分最高的10萬對，這些對代表了圖像和caption之間最準確、有意義的匹配，從而構建出高質量、高度對齊的合成數據集。

用于字幕過濾的指標與提示

實驗性能

參考文獻：SynthVLM: Towards High-Quality and Efficient Synthesis of Image-Caption Datasets for Vision-Language Models，https://arxiv.org/pdf/2407.20756

本文轉載自??大模型自然語言處理??   作者：llmnlp