ChimeraMix：通过特征掩码混合进行小数据集图像分类
本研究提出了名为 GenMix 的新型数据增强技术，它结合了生成和混合方法以发挥两种方法的优势。通过在合成图像和真实数据之间进行混合，GenMix 改善了合成数据的质量和多样性，同时也提升了生成模型的新模式学习和混合模型的边界增强能力。验证实验证明 GenMix 提高了不同生成模型（包括 DCGAN，StyleGAN，Textual Inversion 和 Diffusion Models）在 CT 图像中分类肝脏病变的性能。值得注意的是，与无微调扩散模型的其他方法相比，采用 Textual Inversion 的提议方法在 FLL 数据集上表现更好。
May, 2024
为解决 MedMNIST (v2) 的缺陷，本文提出了一种基于 C-Mixer 预训练框架、激励学习和自监督学习的方法，在标注空间的信息不足和不确定性问题上表现出惊人的潜力。
Apr, 2023
深度神经网络在工业制造环境中，数据增强成为了缓解过拟合和提升网络性能的关键策略。我们提出了一种针对工业应用和基准数据集的方法 ContextMix，通过调整图片大小并将其整合到批次中的其他图片中，生成新的数据。该方法在性能上超过了现有的增强技术，并在公共基准数据集上的分类、检测和分割任务中展示了改进的结果。在真实的工业环境中，我们的方法表现出了显著的效果，尤其是在被动元件数据集上。
Jan, 2024
数据增强通过合成更多的训练样本提高深度学习模型的泛化能力。TransformMix 是一种自动化方法，通过应用学习到的变换和混合扩增策略来创建具有正确和重要信息的混合图像，从而提高性能。
Mar, 2024
最近，引入了一些基于图像混合的数据增强技术来改善深度神经网络的泛化能力。我们提出了一种名为 DiffuseMix 的新型数据增强技术，该技术利用扩散模型重塑训练图像，并使用我们量身定制的条件提示进行监督。DiffuseMix 在包括一般分类、细粒度分类、微调、数据稀缺性和对抗鲁棒性等任务上相较于现有最先进的方法取得了优越性能。
Apr, 2024
通过引入一种名为 MiAMix 的新的 mixup 方法，将图像增强与 mixup 框架相结合，同时利用多种多样的混合方法，并通过随机选择混合掩码增强方法来改进混合方法，该研究表明 MiAMix 在提高性能的同时降低了计算负载。
Aug, 2023
本文提出了一种基于混合数据的指导式半监督分割方法 GuidedMix-Net，并利用标记数据指导未标记数据的学习，该方法采用特征对齐和互信息传输的方法进行特征融合，同时提出伪标签生成模块用于生成高质量伪标签，联合训练标记数据和伪标签，实验验证了该方法在各种数据集中取得了具有竞争力的分割精度和显着改进的 mIoU。
Jun, 2021
本文提出了基于 MixMix 的两个简单而有效的技术来解决深度学习研究中面临的用户数据机密保护和模型压缩的问题，同时证明了理论和实验的有效性，比现有的无数据压缩方法在量化、知识蒸馏和剪枝等主流压缩任务上取得了更好的表现。
Nov, 2020
本文介绍了一种针对语义分割任务的数据增强方法 ——ClassMix，其通过混合未标记的样本来生成增强，并通过利用网络对对象边界的预测来保证增强的有效性，在两个常用半监督语义分割基准测试中表现出了最先进的结果，并提供了详细的消融研究和不同设计和培训方式的比较。
Jul, 2020
本文提出一种名为 PatchMix 的数据增强方法，并结合卷积神经网络进行训练，使得在广泛数据集上展现出了更好的迁移学习能力，同时还探索了进化搜索作为指导策略的方法。
Jun, 2021