Moonworks Lunara Aesthetic Dataset

Resumo Técnico: Moonworks Lunara Aesthetic I: Um Conjunto de Dados de Arte

Título Original: Moonworks Lunara Aesthetic I: An Art Dataset
Autores: Yan Wang, Sayeef Abdullah, Partho Hassan e Sabit Hassan (Moonworks AI)

1. O Problema (Contexto e Motivação)

O avanço dos modelos de geração de imagem texto-para-imagem (T2I) tem sido liderado por sistemas proprietários (como GPT-4o e Gemini), que possuem alta fidelidade, mas cujos termos de uso impedem o uso de seus dados para treinar modelos concorrentes. Por outro lado, modelos de código aberto (como SDXL) e conjuntos de dados baseados em raspagem da web (web-scraped) apresentam limitações críticas:

• Ruído de Anotação: Descrições de imagens da web (alt-text) são frequentemente imprecisas ou não seguem o formato de "instrução" usado em prompts modernos.
• Falta de Estética e Diversidade Cultural: A maioria dos datasets foca em amplitude (quantidade) em vez de precisão estética ou nuances de estilos artísticos regionais (como tradições do Oriente Médio, Ásia Oriental, etc.).
• Dificuldade de Avaliação: A falta de dados curados dificulta a distinção entre falhas de um modelo e ruído nas anotações durante testes de aderência ao prompt (prompt adherence).

2. Metodologia

Os autores introduzem o Lunara Aesthetic Dataset, um conjunto de dados curado de 2.000 pares de imagem-prompt.

• Geração de Imagens: As imagens foram geradas pelo modelo Moonworks Lunara (um modelo de sub-10B parâmetros com arquitetura diffusion mixture e blocos transformer). O modelo utiliza o método CAT (Composite Active Transfer), que aplica aprendizado ativo para focar em dados de alta qualidade em vez de escala bruta.
• Curadoria de Prompts: Diferente de datasets automáticos, os prompts foram refinados por humanos para garantir clareza semântica, correção factual e descrição detalhada de objetos, atributos, relações e pistas estilísticas.
• Taxonomia e Diversidade: O dataset foi estruturado em 7 tópicos (ex: Natureza, Retratos, Arquitetura) e 17 combinações de regiões e estilos, cobrindo quatro regiões geográficas principais (Nórdica, Ásia do Sul, Ásia Oriental e Oriente Médio) além de categorias de mídia geral (óleo, esboço, arte de selo, etc.).
• Pipeline de Anotação: Utilizou-se um processo de duas etapas: primeiro, anotadores propuseram rótulos; depois, esses rótulos foram consolidados em uma taxonomia unificada para garantir consistência.

3. Principais Contribuições

• Dataset de Alta Estética: O primeiro dataset público focado especificamente em alta qualidade estética e controle de estilo, lançado sob a licença Apache 2.0 (permitindo uso comercial e acadêmico).
• Diversidade Cultural Sistematizada: Introdução de estilos artísticos regionalmente fundamentados para pesquisa de condicionamento de estilo.
• Benchmarking de Precisão: Fornece um padrão para avaliar o prompt grounding (capacidade do modelo de seguir instruções complexas) sem o viés de legendas ruidosas.

4. Resultados

Os autores realizaram quatro avaliações quantitativas para validar o dataset:

• Preferência Estética (LAION Aesthetics v2): O Lunara obteve uma pontuação média de 6,32, superando significativamente baselines como CC3M (4,78) e LAION-2B-Aesthetic (5,25). Notavelmente, 33,99% das imagens do Lunara superaram o limiar de alta estética (6,5), enquanto nos outros datasets esse valor era quase nulo.
• Alinhamento Imagem-Texto (CLIP Similarity): Alcançou uma similaridade média de 0,317, indicando uma forte consistência semântica entre o que é descrito e o que é gerado.
• Recuperação Cross-Modal (Retrieval): Testes de busca (texto-para-imagem e imagem-para-texto) mostraram alta performance (Recall@10 acima de 85%), provando que as anotações são robustas para tarefas de busca.
• Diversidade Visual (LPIPS): O dataset demonstrou alta diversidade perceptual, com scores de LPIPS inter-categoria (0,719) superiores aos intra-categoria (0,666), confirmando que os estilos e temas são visualmente distintos entre si.

5. Significância e Conclusão

O trabalho é significativo por mudar o paradigma de "mais dados é melhor" para "dados curados e de alta qualidade são superiores" para o treinamento de modelos generativos de ponta. O Lunara Aesthetic Dataset serve como uma ferramenta de diagnóstico para pesquisadores entenderem como os modelos aprendem estilos culturais e como respondem a instruções detalhadas. Os autores indicam que futuras versões expandirão a granularidade temporal e geográfica, visando uma representação ainda mais profunda das tradições artísticas globais.