ImageNet 能否支撑文本到图像生成？
计算机视觉与模式识别
2025-10-03 v3
摘要
近期文本到图像（T2I）生成模型通过在十亿级数据集上训练取得了显著成就，遵循“规模越大越好”的范式，这一范式优先考虑数据规模而非获取方式（封闭 vs 开放）以及可重复性（数据衰减 vs established collections）。我们挑战这一既定范式，通过证明仅使用经过精心设计的文本和图像增强处理的 ImageNet 即可实现大规模网络爬虫集合训练的模型性能。我们的方法在 GenEval 上实现比 SD-XL 提升 6% 的总体得分，在 DPGBench 上提升 5%，同时仅使用 1/10 参数和 1/1000 训练图像。我们还表明，ImageNet 预训练模型可在特定任务数据集上微调（如高分辨率审美应用），取得良好结果，表明 ImageNet 足以获取通用能力。这为更可重复的研究提供了可能，因为 ImageNet 广泛可用，且提出的标准化训练 setup 只需 500 小时 H100 即可训练一个文本到图像模型。
引用
@article{arxiv.2502.21318,
title = {How far can we go with ImageNet for Text-to-Image generation?},
author = {L. Degeorge and A. Ghosh and N. Dufour and D. Picard and V. Kalogeiton},
journal= {arXiv preprint arXiv:2502.21318},
year = {2025}
}