HQ-Edit 基于指令的图像编辑数据集

HQ-Edit 是由加州大学圣克鲁斯分校的研究团队创建的一个高质量、基于指令的图像编辑数据集。这个数据集包含约 20 万个编辑示例，每个示例都有输入图像、输出图像以及详细的编辑说明。数据集的特点包括高分辨率、多样化的编辑指令以及准确对齐的图像和文本。研究人员利用最新的基础模型 GPT-4V 和 DALL-E 3 构建了一个可扩展的数据收集流程，能够自动生成高质量的图像编辑数据。 HQ-Edit 数据集中的高分辨率图像和丰富的细节显著提升了现有的图像编辑模型性能。

HQ-Edit is a high-quality, instruction-based image editing dataset developed by a research team from the University of California, Santa Cruz. This dataset contains approximately 200,000 editing instances, each comprising an input image, an output image, and detailed editing instructions. The dataset features high resolution, diverse editing instructions, and accurately aligned image-text pairs. Researchers utilized cutting-edge foundation models GPT-4V and DALL-E 3 to build a scalable data collection pipeline that can automatically generate high-quality image editing data. The high-resolution images and rich details in the HQ-Edit dataset have significantly enhanced the performance of existing image editing models.

搜集汇总

背景与挑战

背景概述

HQ-Edit是由加州大学圣克鲁斯分校研究团队创建的高质量图像编辑数据集，包含约20万个编辑示例，每个示例提供输入图像、输出图像和详细编辑说明。该数据集以高分辨率、多样化指令和准确对齐的图像文本为特点，利用GPT-4V和DALL-E 3构建自动生成流程，旨在提升现有图像编辑模型的性能。