LAIONのデータセットのタグは
ネットの画像についてるALT(代替テキスト)を利用してる
それじゃ大雑把な説明文しかないから
Novel AIはdanbooruのタグに目を付けたわけ
これをLLMでやらせる手法は確かにあるが精度は不明
そもそも画像を十分に説明するテキストとは？という問題がある
(手の形は複雑で、それに一々対応する言葉はない)