ImageInWords（IIW）数据集，由Google Research与Google DeepMind联合构建，旨在为视觉语言模型的训练提供超详细且无幻觉的图像描述。该数据集包含9018张图片，每张图片均配有详尽的描述，平均每个描述包含9.8个句子、52.5个名词、28个形容词、5个副词和19.1个动词。在创建过程中，IIW采用了迭代式的标注方法，首先通过对象检测器识别图像中的个体对象实例，然后由视觉语言模型生成每个检测到的对象的细粒度标题，作为人工注解过程的起点。随后，通过多轮人工注解和模型微调，逐步丰富和完善描述内容，直至形成一个高质量的数据集。IIW数据集有助于提高文本到图像生成任务的性能，并在视觉-语言组合推理任务中展现了更高的准确性。
详情请参见五号雷达：https://www.5radar.com/result?key=ImageInWords
_1769672084863.jpg)