# On Synthetic Texture Datasets: Challenges, Creation, and Curation

### 저자

Blaine Hoak, Patrick McDaniel

### 개요

본 논문은 머신러닝 모델에서의 질감(texture) 영향, 특히 질감 편향/학습, 해석 가능성, 강건성에 대한 연구를 다룬다. 기존 연구는 대규모 다양한 질감 데이터 부족으로 제한적이었으나, 본 논문은 고품질 다양한 질감 이미지를 생성하는 확장 가능한 방법론과 새로운 데이터셋(Prompted Textures Dataset, PTD)을 제시한다.  PTD는 텍스트-이미지 모델에 다양한 기술자(descriptor)를 입력으로 사용하고, Stable Diffusion 파이프라인을 수정하여 246,285개의 56가지 질감 이미지를 생성한다.  이 과정에서 이미지 생성 파이프라인의 NSFW 안전 필터가 질감에 매우 민감하게 반응하여 최대 60%의 이미지를 필터링하는 것을 발견, 모델의 잠재적 편향을 드러낸다.  표준 지표와 사람 평가를 통해 PTD의 고품질과 다양성을 검증하고, Zenodo에서 공개한다.

### 시사점, 한계점

- **시사점:**

    - 고품질, 다양한 질감 이미지 데이터셋(PTD)을 제공하여 질감 관련 머신러닝 연구를 크게 발전시킬 수 있다.

    - 이미지 생성 모델의 NSFW 필터가 질감에 대한 편향을 가지고 있음을 밝혀냄으로써,  이미지 생성 및 질감 데이터 활용 시 주의가 필요함을 시사한다.

    - 텍스트-이미지 모델을 활용한 질감 이미지 생성 방법론을 제시하여 향후 연구에 대한 새로운 방향을 제시한다.

- **한계점:**

    - 생성된 이미지의 질감 정확성에 대한 객관적인 평가 기준이 추가적으로 필요할 수 있다.

    - NSFW 필터의 편향에 대한 심층적인 분석과 해결 방안 제시가 부족하다.

    - PTD의 질감 종류가 56가지로 제한적일 수 있으며, 더욱 다양한 질감을 포함하는 확장이 필요할 수 있다.

[PDF 보기](https://arxiv.org/pdf/2409.10297)

![https://i.imgur.com/W19HVRg.jpeg](https://i.imgur.com/W19HVRg.jpeg)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).