GPIC (Giant Permissive Image Corpus)
收藏资源简介：
GPIC是一个用于视觉生成的大规模许可图像数据集，包含约28万亿像素的多样化互联网图像，这些图像由先进的视觉语言模型进行标注。该数据集包括1亿个训练样本、20万个验证样本和100万个测试样本，所有图像均获得研究和商业使用的许可，并经过安全过滤和去重处理，托管在Hugging Face平台上。
GPIC is a large-scale licensed image dataset for visual generation. It contains diverse internet images totaling approximately 28 trillion pixels, which are annotated by state-of-the-art vision-language models. This dataset includes 100 million training samples, 200,000 validation samples, and 1 million test samples. All images are licensed for both research and commercial use, have undergone security filtering and deduplication, and are hosted on the Hugging Face platform.
数据集名称
GPIC (Giant Permissive Image Corpus)：一个用于视觉生成的大规模许可图像数据集。
核心特点
- 规模：包含约28万亿像素，共1.01亿个样本，其中训练集1亿个、验证集20万个、测试集100万个。
- 许可：所有图像均采用许可授权，可用于研究和商业用途。
- 质量：经过安全过滤、去重处理，并由先进的视觉-语言模型标注标题。
- 存储：集中托管于Hugging Face，提供标准化的基准测试协议。
数据集结构
数据以tar归档文件形式组织，包含8,000个训练包、32个验证包和128个测试包。每个tar包内按顺序存储图像及其对应的元数据（JSON格式）：
- 图像格式：.jpg或.png
- 元数据字段：
retrieved_at：检索时间license：许可证license_url：许可证链接attribution：署名信息key：唯一标识符img_width：图像宽度img_height：图像高度split：数据集划分（nano / lite / full）caption_type：标题类型（tag / short / medium / long）caption：标题内容
访问链接
- 数据集：https://huggingface.co/datasets/stanford-vision-lab/giant-permissive-image-corpus
- 官网：https://gpic.stanford.edu
- 论文：https://arxiv.org/abs/2605.30341
- 模型与基线代码：https://huggingface.co/stanford-vision-lab/gpic-baselines
- 评估工具包：https://github.com/keshik6/gpic
基线模型
提供基于像素空间流匹配的参考基线，代码位于baselines/PixelGen/目录，支持训练、采样和评估流程。
引用信息
bibtex @misc{chandrasegaran2026gpic, title={GPIC: A Giant Permissive Image Corpus for Visual Generation}, author={Keshigeyan Chandrasegaran and Kyle Sargent and Suchir Agarwal and Michael Jang and Michael Poli and Juan Carlos Niebles and Justin Johnson and Jiajun Wu and Li Fei-Fei}, year={2026}, eprint={2605.30341}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2605.30341}, }
