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

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

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

通过研究发现，基于图像显著性信息的数据混合并不一定对增强性能有太大帮助，采用更有效、更易于实现的 ResizeMix 方法进行数据混合比 CutMix 和基于显著性信息的方法更具优势。

Dec, 2020

本文提出了一种名为 Graph Transplant 的 Mixup 类图形增广方法，该方法在数据空间中混合不规则图形以解决不规则图形的数据增广难题，并显著提升了图形分类的性能和模型校准。

Nov, 2021

本文提出了通过优化构建 mixup 数据的最佳方法以获得更好的神经网络推广性能和对数据干扰的鲁棒性，特别是使用基于模块化近似的迭代次模最小化算法来实现有效的 mixup 计算。

Feb, 2021

提出基于全局聚类关系的新型数据扩增方法 ——Global Mixup，其中通过将先前的一阶段扩增过程分解为两阶段，从而将生成虚拟样本的过程与标记过程分离，并根据生成样本的全局关系计算子集对生成样本的标签重新标记，从而在更大的采样空间中生成更可靠的虚拟样本。在 CNN、LSTM 和 BERT 上的五项任务的广泛实验表明，Global Mixup 明显优于现有最新技术基线。

Jun, 2022

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

本文研究了 MixUp 生成的目标函数，提出了一种包括自监督学习在内的 SAMix 算法解决该问题，并使用 Mixer 模型来避免在线训练的计算成本。实验证明，SAMix 表现卓越。

Nov, 2021