MAGID: Een geautomatiseerde pijplijn voor het genereren van synthetische multimodale datasets

Samenvatting

De ontwikkeling van multimodale interactieve systemen wordt belemmerd door het gebrek aan rijke, multimodale (tekst, afbeeldingen) conversatiegegevens, die in grote hoeveelheden nodig zijn voor LLM's (Large Language Models). Eerdere benaderingen verrijken tekstuele dialogen met opgehaalde afbeeldingen, wat privacy-, diversiteits- en kwaliteitsbeperkingen met zich meebrengt. In dit werk introduceren we Multimodal Augmented Generative Images Dialogues (MAGID), een raamwerk om tekstuele dialogen te verrijken met diverse en hoogwaardige afbeeldingen. Vervolgens wordt een diffusiemodel toegepast om bijbehorende afbeeldingen te maken, waarbij wordt gezorgd voor afstemming met de geïdentificeerde tekst. Ten slotte integreert MAGID een innovatieve feedbacklus tussen een module voor het genereren van afbeeldingsbeschrijvingen (tekstuele LLM) en modules voor afbeeldingskwaliteit (gericht op esthetiek, afbeelding-tekst matching en veiligheid), die samenwerken om hoogwaardige en multimodale dialogen te genereren. We vergelijken MAGID met andere state-of-the-art (SOTA) baselines op drie dialoogdatasets, waarbij gebruik wordt gemaakt van geautomatiseerde en menselijke evaluatie. Onze resultaten laten zien dat MAGID vergelijkbaar is met of beter presteert dan de baselines, met significante verbeteringen in de menselijke evaluatie, vooral tegen retrieval baselines waarbij de afbeeldingsdatabase klein is.

English

Development of multimodal interactive systems is hindered by the lack of rich, multimodal (text, images) conversational data, which is needed in large quantities for LLMs. Previous approaches augment textual dialogues with retrieved images, posing privacy, diversity, and quality constraints. In this work, we introduce Multimodal Augmented Generative Images Dialogues (MAGID), a framework to augment text-only dialogues with diverse and high-quality images. Subsequently, a diffusion model is applied to craft corresponding images, ensuring alignment with the identified text. Finally, MAGID incorporates an innovative feedback loop between an image description generation module (textual LLM) and image quality modules (addressing aesthetics, image-text matching, and safety), that work in tandem to generate high-quality and multi-modal dialogues. We compare MAGID to other SOTA baselines on three dialogue datasets, using automated and human evaluation. Our results show that MAGID is comparable to or better than baselines, with significant improvements in human evaluation, especially against retrieval baselines where the image database is small.

MAGID: Een geautomatiseerde pijplijn voor het genereren van synthetische multimodale datasets

MAGID: An Automated Pipeline for Generating Synthetic Multi-modal Datasets

Samenvatting

Support