本研究提出了一种名为 PointCutMix 的简单有效的点云数据增强方法，通过优化两个点云之间的最优分配并将一个样本中的点替换为其最优分配对来生成新的训练数据，以提高各种模型在点云分类问题上的性能和模型的鲁棒性。

Jan, 2021

我们研究了在存在噪声数据的回归任务中的鲁棒数据增强问题。我们提出了将 C-Mixup 和多轮鲁棒训练方法紧密结合的数据增强策略 RC-Mixup，以识别干净数据并显著提高回归性能。

May, 2024

本文提出利用插值增强点云的数据，定义了点云之间的最短路径线性插值，介绍了 PointMixup 方法进行插值，可以引入基于插值的正则化方法，例如 mixup 和 manifold mixup，证明了 PointMixup 可以找到点云之间的最短路径，实验显示它能够显著提高点云分类的性能，特别是在数据不足以及噪声和几何变形的情况下。

Aug, 2020

本论文研究数据增广技术 Mixup 的理论基础，指出 Mixup 可被解释为标准经验风险最小化估计器，通过数据转换和随机扰动来实现。该方法在测试时能够提高分类器性能，同时还获得了自校准和有效的正则化效果，以防止过度拟合和过度自信的预测。

Jun, 2020

在 3D 视觉领域，我们提出了一种基于样本结构的自适应转换方法，名为 AdaptPoint，用于处理潜在的破坏，通过包括预测变形参数和生成逐点蒙版在内的模拟破坏，并通过鉴别器防止生成过度破坏。实验结果表明，我们的方法在多个破坏评估中取得了最先进的结果。

Sep, 2023

提出了一种名为 PointWOLF 的点云数据增强方法，通过局部加权变换中心的多个锚点生成平滑变化的非刚性变形，以实现多样化和逼真的数据增强，并结合 AugTune 进行优化，实现了其在形状分类和部位分割任务中表现的提升，特别是使用 PointNet++ 和 ScanObjectNN 数据集时，达到了 89.7 的准确度，达到了最先进的水平。

Oct, 2021

PolarMix 是一种点云数据增强技术，通过两个跨扫描的增强策略实现数据的丰富和保真，能够在不同的感知任务和场景中有效缓解数据限制，并能为各种 3D 深度架构提供即插即用，并且在无监督领域适应中也表现出良好的性能。

Jul, 2022

深度学习模型的数据增强技术在提高性能方面发挥重要作用。本文提出了一种叫做 UMAP Mixup 的混合正则化方案，用于深度学习预测模型的 “在流形上” 自动数据增强。该方法通过利用一种称为统一流形逼近和投影的降维技术，确保 Mixup 操作生成的合成样本位于特征和标签的数据流形上。对多样的回归任务的评估显示，UMAP Mixup 在与其他 Mixup 变种的竞争中表现出色，显示出改进深度学习模型泛化性能的潜力。

Dec, 2023

该论文提出了一种名为 CutMix 的数据增强策略，该策略结合了区域 dropout 策略和图像贴图技巧，其旨在提高卷积神经网络的分类性能，改善对象定位和提高网络的鲁棒性。实验结果显示，CutMix 方法在 ImageNet 数据集上的分类任务中能够持续地超越当前领先的数据增强方法，同时还能提高由其预训练的分类器在 Pascal 检测和 MSCOCO 图像字幕生成等任务中的表现。

May, 2019

本研究提出一种名为 Robustmix 的新型混合扩充方法，通过正则化网络以分类基于较低频空间特征。结果表明，这种正则化方法在诸如 Imagenet-C 和 Styleized ImageNet 等多个测验中提高了网络的鲁棒性，且有利于有效减少计算负荷。使用 EfficientNet-B8 模型和 RandAugment 方法获得了最先进的 mCE 达到 44.8，比基准线降低 16 mCE。

Apr, 2023