本研究提出了一种名为 Puzzle Mix 的混合方法，该方法使用卫星信息和自然例子的基本统计信息，以提高神经网络的性能和抗扰攻击能力。实验结果表明，Puzzle Mix 与其他混合方法相比，在 CIFAR-100、Tiny-ImageNet 和 ImageNet 数据集上均取得了最佳的泛化和对抗性鲁棒性结果。

Sep, 2020

本文提出了一种新的方法叫做 R-Mix，它将随机性和显著性利用的最佳元素相结合，达到了速度、简单性和准确性的平衡，同时训练了一个基于分类器性能的混合策略决策代理，减少了对人类设计目标和超参数调整的依赖，并表现出优越的泛化、弱监督目标定位、校准和对抗性攻击鲁棒性，进一步证明了代理能够在实现自动混合方面发挥的最先进的水平。

Dec, 2022

提出了一种新的基于 saliency-aware 的 mixup 方法 ——GuidedMixup，通过一种高效的配对算法来最小化配对图像的显著区域间的冲突，平滑地插值两幅图像以更好地保留显著区域，并且可以在分类数据集上提供良好的计算效率与泛化性能之间的平衡。

Jun, 2023

本文提出了一种监督式混合增强方法 SuperMix，使用牛顿迭代方法来提高效率，在对象分类和知识蒸馏任务中通过广泛的评估和消融研究验证了其有效性，将混合图像纳入蒸馏目标可显著提高结果。

Mar, 2020

该论文提出了一种自动混合框架 ——AutoMix，它将混合分类分为两个子任务，并使用相应的子网络在双层优化框架中解决。AutoMix 在 9 个图像基准上的广泛实验表明，在各种分类场景和下游任务中，其优越性超过了现有技术。

Mar, 2021

该研究提出了一种名为 SaliencyMix 的新型数据增强方法，能够有效地提高深度学习模型的泛化能力，使得该模型在图像分类上取得了最佳效果。

Jun, 2020

这篇论文提出了一种名为 mixup 的学习原则，通过训练神经网络的凸组合来缓解其记忆和对抗性示例敏感等问题，实验表明 mixup 提高了最先进的神经网络结构的泛化性能，并减少了恶意标签的记忆，增强了对抗性示例的鲁棒性，并稳定了生成对抗网络的训练。

Oct, 2017

本文提出了一种称之为 OpenMixup 的深度神经网络图像数据拼接工具，可以应用于监督、半监督和自监督学习，具有集成模型设计和训练平台、各种数据混合增强方法以及实用的模型分析工具等功能。同时还在多个数据集上提供图像分类基准测试，以加速研究人员在同一设置下进行公平比较。

Sep, 2022

通过交替优化分类器和混合样本生成器，我们提出了一种对抗性自动混合增强方法 AdAutomixup，用于生成具有挑战性的样本以训练强大的图像分类器，并通过引入指数移动平均教师和余弦相似度来防止图像内在意义的崩溃。大量实验证明，我们的方法在各种分类场景中优于现有技术水平。

Dec, 2023

本文提出了一种新的混合方案，通过随机选择图像特征和标签之间的混合关系，生成多样化的样本，并使用最大显著性策略来校正随机采样引入的标签偏差，从而有效地提高了分类准确性。

Dec, 2021