该研究基于对简单的 CNN 使用几何和光度扩增方案的试验性结果，通过 4 折交叉验证考察了不同的数据扩增方案，并证明 crop 扩增在几何扩增方案中可以显著提高 CNN 任务性能。

Aug, 2017

本论文提出了一种将生成对抗网络（GAN）用于数据增强的方法，以解决标签分布不均衡导致的图像分类困难，特别是在情感分类中，实验结果表明，使用GAN进行数据增强，可以使分类准确率提高5％〜10％。

Nov, 2017

本文研究数据增强在卷积神经网络中的隐式规则效应，与显式正则化技术（如权重衰减和Dropout）相比，数据增强能更易于适应不同的网络结构和训练数据。通过对不同网络架构和训练数据量的消融研究，我们揭示了数据增强的优势，这是长期被忽视的问题。

Jun, 2019

利用数据增强作为正则化方式，我们从解析角度重新考虑了数据增强在深度神经网络中的泛化问题，并发现它显著降低了模型泛化误差，但同时也导致略微增加了经验风险。使用较少的数据对完整增强的数据进行训练能够帮助模型更好地收敛于更好的区域，从而进一步提高准确性。

Sep, 2019

本研究系统地研究了不同数据扩增技术在GAN训练中的有效性，并提供了关于如何扩增图像以改善生成图像保真度的见解和指南。我们还发现如果在真实图像和生成图像上使用扩增技术，即使只使用原始GAN，也可以达到与最新技术成果相当的生成质量。如果结合对比损失和一致性正则化等其他扩增技术，生成图像的质量会更进一步提高。最后，我们使用一致性正则化和对比损失来提供了CIFAR-10条件生成的新的最先进结果。

Jun, 2020

本文提出了在中间神经网络层引入数据增强以改善卷积神经网络不适用于少量像素旋转或平移的问题，并证明该方法比已有的两种方法获得更好的精度和平均翻转比。

Feb, 2022

本文研究数据增强对学习过程动态的影响，发现数据增强可以改变各种特征的相对重要性，特别是对于神经网络等非线性模型更为明显，可以被看作是特征操作。

Mar, 2022

本文系统地综述了不同的图像数据增强方法，提出了分类学，分析了这些方法的优点和局限性，以及在三个典型的计算机视觉任务上所做的大量实验，包括语义分割，图像分类和物体检测。最后，我们讨论了数据增强面临的挑战以及未来的研究方向，以提出一些有用的研究指导。

Apr, 2022

本文介绍了深度学习算法在计算机视觉任务中的性能表现，以及数据增强技术对应对过拟合问题的应用。在这篇文章中，我们提供了数据增强技术的背景知识和综述，通过对现有的数据增强技术进行分类和比较，从而指导研究者选择适合自己的方法。我们还研究了数据增强技术的综合效果，得出结论可以显著提升图像分类、目标检测和语义分割的性能，我们提供了代码用于结果复现，并探讨了该领域未来的研究方向与挑战。

Jan, 2023

通过在训练过程中引入高频特征提取和边缘增强的方法，我们提出了一种增强神经网络的准确性和训练速度的方法。实验证明了我们的方法在两个不同的数据集CIFAR10和CALTECH101以及三种不同的网络架构ResNet-18，LeNet-5和CNN-9上的有效性。

Jan, 2024