本文研究如何将数据增强应用于无监督特征学习，我们将各种变换应用于随机图像块，通过卷积神经网络分类学习到有用的特征表示，同时实验结果显示这一算法能在多个视觉数据集上取得较为有竞争性的分类结果。

Dec, 2013

本文研究数据增强在图像分类中的应用，对比了多种增强技术，包括传统的裁剪、旋转和翻转以及使用GAN生成不同风格的图像，并提出了一种名为神经增强的方法，通过训练神经网络自学习增强，以提升分类器性能，对该方法在不同数据集上表现的优劣进行了讨论。

Dec, 2017

本文综述了关于图像分割的研究，特别关注了基于深度学习模型的语义分割和实例分割方法，包括全卷积像素标定网络、编码器-解码器架构、多尺度与基于金字塔的方法、循环神经网络、视觉注意力模型和对抗生成模型。我们探讨了这些深度学习模型的相似性，能力和挑战，并讨论了未来的研究方向。

Jan, 2020

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

采用“Deep Augmentation”方法，通过在神经网络内部针对性地应用dropout实现数据增广，并采用stop-gradient操作进一步提高模型性能和泛化能力，在视觉和自然语言处理领域的对比学习任务中通过对ResNets和Transformers模型的广泛实验证明效果显著，与增广输入数据相比，针对深层模型的Deep Augmentation效果更好，而且该方法简单且对网络和数据无限制，方便集成到计算机视觉和自然语言处理流程中。

Mar, 2023

深度生成模型在医学图像增强中的应用和潜力是本综述的重点，旨在通过人工合成更真实多样且符合数据真实分布的数据样本来改善医学图像分析中深度学习算法的性能，涵盖了三种类型的深度生成模型：变分自编码器、生成对抗网络和扩散模型。

Jul, 2023

这篇论文对合成数据增强技术进行了广泛评估，包括基于真实3D图形建模、神经风格迁移、差分神经渲染、生成对抗网络和变分自编码器等生成人工智能技术。对于每一种方法类别，我们关注重要的数据生成和增强技术、广泛的应用范围和具体的用例，以及现有限制和可能的解决方法。此外，我们总结了用于训练计算机视觉模型的常见合成数据集，强调主要特点、应用领域和支持的任务。最后，我们讨论了合成数据增强方法的有效性，并希望通过这篇详细的论文为读者提供必要的背景信息和深入了解现有方法及相关问题。

Mar, 2024

图像数据增强在计算机视觉任务中是一种重要的方法，它可以增强训练数据集的多样性和质量，从而提高机器学习模型在下游任务中的性能和鲁棒性。本研究对基于扩散模型的图像增强方法进行了系统、全面、深入的综述，涵盖了广泛的策略、任务和应用。具体而言，首先对扩散模型的基本原理、模型架构和训练策略进行了全面分析。随后，引入了相关图像增强方法的分类方法，重点介绍了语义操作、个性化和适应性以及特定应用增强任务的技术。然后，分析了性能评估方法和相应的评估指标。最后，讨论了当前领域面临的挑战和未来的研究方向。

Jul, 2024

本研究解决了当前数据增强方法在应用于医疗数据集等多样化领域时的局限性。通过利用大型语言模型自动生成适应特定数据集和模型架构的增强策略，研究展现了一种自适应且可扩展的数据增强方案，显著提高了模型的鲁棒性和自动化水平。该方法在医学影像数据集上的评估结果表明，其性能明显优于现有的最先进方法。

Oct, 2024