SciDraw-6K: Google Gemini によって生成された多言語科学イラストレーションデータセット

技術的サマリー（日本語）

本論文は、Google の画像生成モデル「Gemini」を用いて作成された、6,291 件の科学イラストレーションからなるキュレーションデータセット「SciDraw-6K」を提案するものです。既存の汎用テキスト・トゥ・イメージ（T2I）データセットが芸術的・写実的なコンテンツに偏っているのに対し、本データセットは研究論文、講演、教科書などで使用される「科学的図解（スケッチ、メカニズム図、概念ポスターなど）」という特定のジャンルに特化しており、11 言語の対応プロンプトと併せて公開されています。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細を記述します。

1. 問題定義 (Problem)

現代の T2I システムは写実的または芸術的な画像生成において飛躍的な進歩を遂げていますが、科学的図解の分野は依然として十分にサービスされていません。

• 科学的図解の特殊性: 科学的図解には、ラベルの明確さ、抽象化された幾何学形状、写実性の排除、バランスの取れたレイアウトといった「独自の視覚文法」と、分子トポロジーや細胞解剖学など「ドメイン固有のセマンティクス」が求められます。
• 既存データセットの限界: LAION-5B や DiffusionDB などの既存の大規模 T2I コーパスは、ウェブから収集された美的・写実的なコンテンツが支配的であり、明示的な科学的内容は少なく、多言語対応も不十分です。
• 科学的可視化の課題: 研究や教育において、正確で多言語対応した科学的図解を生成・利用するための専用データセットが存在しませんでした。

2. 手法 (Methodology)

SciDraw-6K は、強力なクローズドモデル（Gemini）を「合成データエンジン」として活用する「Self-instruct」スタイルのパイプラインに基づいて構築されました。

• データ生成モデル:
  • 主に gemini-2.5-flash-image と gemini-3-pro-image-preview を使用。一部に gemini-3.1-flash-image-preview も含まれます。
  • Google の公式 API を経由して、デフォルトの安全性設定と解像度で生成を行いました。
• プロンプト分類体系 (Taxonomy):
  • 科学図解に特化した 8 大カテゴリ（生体医学、化学、材料、電子工学、環境、AI システム、物理学、その他）を定義。
  • 各カテゴリに対して、TOC グラフィカルアブストラクト、メカニズム図、デバイス断面図、概念スケッチ、サマリーポスターなどのテンプレートを設計し、研究トピックを埋め込む形式でプロンプトを生成しました。
• 多言語対応:
  • 生成された英語プロンプトを、LLM ベースのパイプラインを用いて 10 言語（簡体字/繁体字中国語、日本語、韓国語、ドイツ語、フランス語、スペイン語、ブラジルポルトガル語、イタリア語、ロシア語）に翻訳。
  • 結果として、すべての画像に対して 11 言語のプロンプトが完全に整列（Aligned）した状態になります。
• 品質管理と匿名化:
  • 生成失敗、トピック外、ポリシー違反の画像を排除する軽量キュレーションを実施。
  • ユーザー ID や会話 ID を削除し、SHA-256 ハッシュ値を含むメタデータのみを公開。

3. 主要な貢献 (Key Contributions)

1. 再現可能な構築パイプライン: ドメイン固有のプロンプト分類、Gemini による画像生成、自動翻訳、軽量品質管理を組み合わせたパイプラインの公開。
2. 詳細なメタデータ: 各画像に対して、生データカテゴリと公開カテゴリ、生成モデル識別子、SHA-256 ハッシュ、および 11 言語のプロンプトを付与。これにより、多言語 T2I 研究とドメイン適応微調整が可能になります。
3. 実用的なサービス基盤: 本データセットを基盤として、公開科学図解サービス「sci-draw.com」を構築し、その実用性を実証しました。
4. データセットの公開: Hugging Face と Zenodo を通じて CC BY 4.0 ライセンスで公開。

4. 結果と統計 (Results & Statistics)

• データ規模: 承認された画像は 6,291 件（2026 年 1 月〜4 月生成）。
• カテゴリ分布:
  • 生体医学 (Biomedical): 約 45% (2,827 件) で最も多い。
  • その他の主要カテゴリ: 材料科学 (841 件)、AI システム (705 件)、化学 (609 件)、環境科学 (581 件)。
  • 小規模カテゴリ: 電子工学 (190 件)、物理学 (139 件)。「その他」にはロボット工学、数学、経済学などの長尾が含まれます。
• 多言語カバレッジ: 承認されたすべての行において、11 言語すべてのプロンプトが 100% 埋め込まれており、完全な平行テキスト行列を形成しています。
• プロンプト長: 科学的スケッチに必要な構造化された意味を反映し、プロンプトは数百文字に及ぶことが多く、詳細な記述を持つ右に長い分布を示します。
• モデル分布: 大部分は gemini-3-pro-image-preview と gemini-2.5-flash-image で構成されていますが、約 6.8% のデータは生成ログとの紐付けが不明です。

5. 意義と応用 (Significance & Applications)

SciDraw-6K は、規模は小さいものの、ドメイン密度と多言語カバレッジにおいて極めて高い価値を持つデータセットです。

• 研究への貢献:
  • 多言語 T2I 研究: 11 言語の整列データにより、多言語プロンプトのロバスト性研究や、英語中心のモデルの非英語性能評価に寄与します。
  • ドメイン適応微調整: 科学的図解の視覚文法に特化した拡散モデルの微調整（Fine-tuning）用データとして利用可能です。
  • プロンプトエンジニアリング: 科学的可視化における効果的なプロンプト設計の研究を支援します。
• 実用サービス (sci-draw.com) への応用:
  • テンプレート種子: 高品質なプロンプトをカテゴリ別にテンプレート化し、ユーザーがワンクリックで利用可能に。
  • Few-shot プロンプト書き換え: ユーザーの簡潔なリクエストに対し、類似する SciDraw-6K のプロンプトをコンテキスト例として提示し、Gemini への入力を最適化。
  • 内部評価: モデルアップグレード時の回帰テスト（品質低下の検知）に使用。
• 倫理的配慮と限界:
  • 単一のモデル（Gemini）からの生成であるため、そのモデル固有のバイアスが含まれます。
  • 生体医学カテゴリに偏りがあるため、下流タスクでは重み付けや層化サンプリングが必要です。
  • 翻訳ベースの多言語データであるため、ネイティブの流暢さや専門用語の完全性は保証されません。
  • 合成画像が誤った科学的証拠として悪用されるリスクがあるため、教育・可視化・研究目的に限定して使用すべきと警告しています。

結論:
SciDraw-6K は、大規模な汎用データセットの補完として、科学イラストレーションというニッチかつ重要な領域に特化した高品質なリソースを提供します。これは、最先端の画像生成モデルが科学の特殊な視覚文法にどのように振る舞うかを研究するための基盤となり、多言語科学コミュニケーションの発展に寄与するものと期待されます。