本論文では、同一スタイル内での一貫性（intra-style consistency）、スタイル間での多様性（inter-style diversity）、および高品質を兼ね備えたスタイルデータセットを構築する、革新的かつスケーラブルなデータキュレーション pipeline である「MegaStyle」を提案します。我々は、与えられたスタイル記述から同一スタイルの画像を生成できる、現在の大型生成モデルが持つ一貫した text-to-image スタイルマッピング能力を活用することで、これを実現しました。この基盤に基づき、17万件のスタイル prompt と40万件のコンテンツ prompt からなる多様でバランスの取れた prompt gallery を構築し、コンテンツとスタイルの prompt を組み合わせることで、大規模スタイルデータセット「MegaStyle-1.4M」を生成しました。MegaStyle-1.4M を用いて、表現力豊かでスタイル特有の表現を抽出するためのスタイル encoder 「MegaStyle-Encoder」を fine-tune するための style-supervised contrastive learning を提案するとともに、FLUX ベースのスタイル転送モデル 「MegaStyle-FLUX」の学習も行いました。広範な実験の結果、スタイルデータセットにおける同一スタイル内の一貫性、スタイル間の多様性、および高品質を維持することの重要性と、提案手法である MegaStyle-1.4M の有効性が実証されました。さらに、MegaStyle-1.4M で学習した MegaStyle-Encoder および MegaStyle-FLUX は、信頼性の高いスタイル類似度測定と汎用的なスタイル転送を実現しており、スタイル転送の研究コミュニティに対して重要な貢献を果たします。さらなる結果については、プロジェクトのウェブサイト (https://jeoyal.github.io/MegaStyle/) で公開しています。