Crowdsourcing, exploration web ou génération ? Création de SEA-VL, un ensemble de données vision-langage multiculturel pour l'Asie du Sud-Est

Crowdsource, Crawl, or Generate? Creating SEA-VL, a Multicultural Vision-Language Dataset for Southeast Asia

March 10, 2025

Auteurs: Samuel Cahyawijaya, Holy Lovenia, Joel Ruben Antony Moniz, Tack Hwa Wong, Mohammad Rifqi Farhansyah, Thant Thiri Maung, Frederikus Hudi, David Anugraha, Muhammad Ravi Shulthan Habibi, Muhammad Reza Qorib, Amit Agarwal, Joseph Marvin Imperial, Hitesh Laxmichand Patel, Vicky Feliren, Bahrul Ilmi Nasution, Manuel Antonio Rufino, Genta Indra Winata, Rian Adam Rajagede, Carlos Rafael Catalan, Mohamed Fazli Imam, Priyaranjan Pattnayak, Salsabila Zahirah Pranida, Kevin Pratama, Yeshil Bangera, Adisai Na-Thalang, Patricia Nicole Monderin, Yueqi Song, Christian Simon, Lynnette Hui Xian Ng, Richardy Lobo' Sapan, Taki Hasan Rafi, Bin Wang, Supryadi, Kanyakorn Veerakanjana, Piyalitt Ittichaiwong, Matthew Theodore Roque, Karissa Vincentio, Takdanai Kreangphet, Phakphum Artkaew, Kadek Hendrawan Palgunadi, Yanzhi Yu, Rochana Prih Hastuti, William Nixon, Mithil Bangera, Adrian Xuan Wei Lim, Aye Hninn Khine, Hanif Muhammad Zhafran, Teddy Ferdinan, Audra Aurora Izzani, Ayushman Singh, Evan, Jauza Akbar Krito, Michael Anugraha, Fenal Ashokbhai Ilasariya, Haochen Li, John Amadeo Daniswara, Filbert Aurelian Tjiaranata, Eryawan Presma Yulianrifat, Can Udomcharoenchaikit, Fadil Risdian Ansori, Mahardika Krisna Ihsani, Giang Nguyen, Anab Maulana Barik, Dan John Velasco, Rifo Ahmad Genadi, Saptarshi Saha, Chengwei Wei, Isaiah Flores, Kenneth Ko Han Chen, Anjela Gail Santos, Wan Shen Lim, Kaung Si Phyo, Tim Santos, Meisyarah Dwiastuti, Jiayun Luo, Jan Christian Blaise Cruz, Ming Shan Hee, Ikhlasul Akmal Hanif, M. Alif Al Hakim, Muhammad Rizky Sya'ban, Kun Kerdthaisong, Lester James V. Miranda, Fajri Koto, Tirana Noor Fatyanosa, Alham Fikri Aji, Jostin Jerico Rosal, Jun Kevin, Robert Wijaya, Onno P. Kampman, Ruochen Zhang, Börje F. Karlsson, Peerat Limkonchotiwat

cs.AI

Résumé

L'Asie du Sud-Est (ASE) est une région d'une extraordinaire diversité linguistique et culturelle, mais elle reste significativement sous-représentée dans la recherche en vision-langage (VL). Cela se traduit souvent par des modèles d'intelligence artificielle (IA) qui ne parviennent pas à saisir les nuances culturelles de l'ASE. Pour combler cette lacune, nous présentons SEA-VL, une initiative open-source dédiée au développement de données de haute qualité et culturellement pertinentes pour les langues de l'ASE. En impliquant des contributeurs issus des pays de l'ASE, SEA-VL vise à garantir une meilleure pertinence culturelle et une plus grande diversité, favorisant ainsi une inclusion accrue des langues sous-représentées dans la recherche en VL. Au-delà du crowdsourcing, notre initiative va plus loin en explorant la collecte automatique d'images culturellement pertinentes via le crawling et la génération d'images. Premièrement, nous constatons que le crawling d'images atteint environ ~85 % de pertinence culturelle tout en étant plus économique et plus rapide que le crowdsourcing. Deuxièmement, malgré les progrès substantiels des modèles génératifs visuels, les images synthétiques restent peu fiables pour refléter avec précision les cultures de l'ASE. Les images générées échouent souvent à représenter les traditions nuancées et les contextes culturels de la région. Collectivement, nous rassemblons 1,28 million d'images culturellement pertinentes pour l'ASE, soit plus de 50 fois la taille des autres ensembles de données existants. À travers SEA-VL, nous aspirons à combler le fossé de représentation en ASE, en favorisant le développement de systèmes d'IA plus inclusifs qui représentent authentiquement les diverses cultures de l'ASE.

English

Southeast Asia (SEA) is a region of extraordinary linguistic and cultural diversity, yet it remains significantly underrepresented in vision-language (VL) research. This often results in artificial intelligence (AI) models that fail to capture SEA cultural nuances. To fill this gap, we present SEA-VL, an open-source initiative dedicated to developing high-quality, culturally relevant data for SEA languages. By involving contributors from SEA countries, SEA-VL aims to ensure better cultural relevance and diversity, fostering greater inclusivity of underrepresented languages in VL research. Beyond crowdsourcing, our initiative goes one step further in the exploration of the automatic collection of culturally relevant images through crawling and image generation. First, we find that image crawling achieves approximately ~85% cultural relevance while being more cost- and time-efficient than crowdsourcing. Second, despite the substantial progress in generative vision models, synthetic images remain unreliable in accurately reflecting SEA cultures. The generated images often fail to reflect the nuanced traditions and cultural contexts of the region. Collectively, we gather 1.28M SEA culturally-relevant images, more than 50 times larger than other existing datasets. Through SEA-VL, we aim to bridge the representation gap in SEA, fostering the development of more inclusive AI systems that authentically represent diverse cultures across SEA.