DataEvolver: Construcción de datos multiagente autoevolutiva para la generación de imágenes ricas en texto

Resumen

La generación de imágenes ricas en texto es uno de los escenarios más desafiantes en la generación de imágenes, ya que los modelos deben producir simultáneamente imágenes visualmente realistas y renderizar texto legible, semánticamente alineado y coherente con el diseño. Los pipelines de datos existentes suelen seguir un paradigma estático de rastreo-filtro-congelación: recolectan muestras candidatas, las filtran una vez y congelan los datos aceptados para el entrenamiento. Sin embargo, las muestras rechazadas suelen descartarse, a pesar de que a menudo contienen señales de fallo útiles, como errores de OCR y desajustes semánticos. Como resultado, rondas posteriores de construcción pueden repetir los mismos modos de fallo. Para abordar estas limitaciones, proponemos DataEvolver, un marco multiagente autoevolutivo para la construcción de datos de imágenes ricas en texto. DataEvolver trata la construcción de datos como una evolución de políticas de construcción impulsada por retroalimentación. Un Recuperador recolecta muestras candidatas, un Verificador asigna puntuaciones de calidad y causas de rechazo, un Crítico resume la retroalimentación a nivel de ronda en retroalimentación semántica, y un Generador completa regiones subcubiertas mediante síntesis dirigida. La memoria de retroalimentación actualizada guía entonces la siguiente ronda de construcción. Experimentos en benchmarks de generación de imágenes ricas en texto muestran que DataEvolver produce datos de entrenamiento más útiles que las líneas base con conjuntos de datos fijos bajo presupuestos de datos equivalentes. A escala de 0,75M en PixArt-alpha, DataEvolver mejora el OCR-F1 en un 85,3% en TextScenesHQ y un 35,3% en LongTextBench en comparación con la línea base más fuerte. Las mejoras son consistentes en ambos benchmarks evaluados y también se transfieren a Show-o2, lo que indica que el beneficio de DataEvolver no está ligado a un único generador descendente. Estos resultados sugieren que las muestras rechazadas pueden proporcionar retroalimentación procesable para mejorar la construcción de datos de imágenes ricas en texto.

English

Text-rich image generation is one of the most challenging settings in image generation, since models must simultaneously produce visually realistic images and render legible, semantically aligned, and layout-consistent text. Existing data pipelines usually follow a static crawl-filter-freeze paradigm. They collect candidate samples, filter them once, and freeze the accepted data for training. However, rejected samples are usually discarded, although they often contain useful failure signals such as OCR errors and semantic mismatches. As a result, later construction rounds may repeat the same failure modes. To address these limitations, we propose DataEvolver, a self-evolving multi-agent framework for text-rich image data construction. DataEvolver treats data construction as feedback-driven construction policy evolution. A Retriever collects candidate samples, a Verifier assigns quality scores and rejection causes, a Critic summarizes round-level feedback into semantic feedback, and a Generator completes under-covered regions through targeted synthesis. The updated feedback memory then guides the next construction round. Experiments on text-rich image generation benchmarks show that DataEvolver produces more useful training data than fixed-dataset baselines under matched data budgets. At the 0.75M scale on PixArt-alpha, DataEvolver improves OCR-F1 over the strongest baseline by 85.3 percent on TextScenesHQ and 35.3 percent on LongTextBench. The improvements are consistent across both evaluated benchmarks and also transfer to Show-o2, indicating that the benefit of DataEvolver is not tied to a single downstream generator. These results suggest that rejected samples can provide actionable feedback for improving text-rich image data construction.