针对高质量、精确对齐的图像 - 文本对稀缺，提出一种新的数据生成管道 SynthVLM ，用于生成图像 - caption 对：SynthVLM - 100K，并通过微调模型，SynthVLM-100K 上预训练的模型就超越了依赖 LLaVA - 558K 的基准方法，方法简单直接，下面看看。
方法
SynthVLM通过两个步骤构建高质量的图像-文本数据集：
SynthVLM 数据合成方法的流水线如下：首先，筛选高质量的图像-标题对；接着，合成高质量数据，并依据 CLIP 得分进行后续筛选。
1、合成数据集构建
- 数据来源 ：为确保caption的多样性，结合了人工生成和模型生成的caption。人工生成的caption主要来自LAION、CC和SBU，模型生成的caption则利用BLIP2对DataComp数据集中的图像重新生成。
- caption筛选 ：为保证数据集质量，先去除低质量caption，如广告、重复描述和语法错误较多的内容。筛选过程借助ChatGPT，并结合N-grams、Perplexity等统计指标，仅保留高质量、信息丰富的caption用于训练。接着，计算这些caption及其相应原始图像的CLIPScore，选择得分前40%的图像-caption对，组成100万caption的候选集，此步骤有效减少了存储开销和处理时间。
- 图像生成 ：在筛选出100万高质量caption后，使用Stable Diffusion XL（SDXL）模型生成图像。SDXL能够高效生成高质量、高分辨率（1024x1024）的图像，有效解决了现有数据集图像分辨率低的问题，提升了训练数据的质量和实用性。
2、合成数据选择
- 评估指标 ：为更好地确保图像与文本描述的对齐，继续使用CLIPScore评估图像与文本的对齐程度。由于生成的图像分辨率为1024×1024，需调整为336×336以适配CLIP模型，这一过程可能导致图像质量损失，因此引入结构相似性指数（SSIM）来衡量图像质量。最终，通过加权求和的方式将CLIPScore和SSIMScore结合，如下：
λ设为0.5以平衡两者的贡献。
- 数据筛选 ：对100万合成的图像-caption对计算CLIPScore和SSIMScore，选择得分最高的10万对，这些对代表了图像和caption之间最准确、有意义的匹配，从而构建出高质量、高度对齐的合成数据集。
用于字幕过滤的指标与提示
实验性能
参考文献：SynthVLM: Towards High-Quality and Efficient Synthesis of Image-Caption Datasets for Vision-Language Models，https://arxiv.org/pdf/2407.20756