可控扩散模型用于天文无线电图生成
我们在地球观测任务中研究使用生成图像扩散来解决标注数据稀缺的问题,并发现生成的样本在提高卫星语义分割的定量性能方面取得了显著的改进。
Mar, 2024
使用条件扩散模型从轮廓和骨骼分割生成膝关节 X 射线照片,并展示了条件采样和条件训练两种方法能够生成逼真的图像,并且条件训练方法表现优于条件采样方法和传统的 U-Net 模型。
Apr, 2024
通过使用基于 DALL-E 和扩散模型的生成模型,我们提出了 DatasetDM,一个通用的数据集生成模型,可以生成各种合成图像和相应的高质量感知注释。训练仅需要少于 1%的手动标记图像,使得生成无限大的注释数据集成为可能。我们生成了具有丰富密集像素级标签的数据集,并在语义分割和实例分割方面取得了最先进的结果。
Aug, 2023
通过利用文本到图像生成模型 Stable Diffusion (SD) 的文本提示、交叉注意力和自我注意力,我们引入了三种新技术:类别提示附加,类别提示交叉注意力和自我注意力指数化,从而生成与合成图像相对应的分割地图,这些地图可以作为训练语义分割器的伪标签,消除了对像素级注释的繁重需求,我们还在 PASCAL VOC 和 MSCOCO 两个数据集上进行了评估,我们的方法明显优于同行的工作。
Sep, 2023
利用 RSICD 數據集訓練了具有 0.2 損失的 Stable Diffusion 模型,並通過合成數據集和定制遙感 LLM 進行了 Land Use Land Classification 任務,但由於標題質量和模型表現的挑戰,生成的圖像和數據集的質量有所不足。
May, 2024
本研究提出了一种通过微调预训练的稳定扩散模型生成合成数据集的框架,并用于对象检测模型的训练,研究结果表明,在苹果果园检测中,合成数据训练的对象检测模型的性能与真实世界图像训练得到的基线模型相似,这表明了合成数据生成技术作为深度模型训练的可行替代方法的潜力。
Jun, 2023
通过在大规模无标签数据集上预训练潜在扩散模型(LDM),我们提出了一种名为 HistoDiffusion 的合成增强方法,然后在未见过的有标签数据集上通过分类器引导在潜在空间中微调模型,以合成特定类别的图像,并采用选择性机制只添加与目标标签匹配度较高的合成样本,通过 HistoDiffusion 增强,使用少量原始标签,我们大幅提高了骨干分类器的分类准确率 6.4%。
Aug, 2023
该论文提出了一个新的基于扩散模型的分类导向框架 DreamDA,通过考虑训练图像中的原始数据作为种子并扰动其反扩散过程,DreamDA 生成符合原始数据分布的多样样本,并引入自训练范式生成伪标签和使用合成数据训练分类器,在四个任务和五个数据集上进行的广泛实验证明了 DreamDA 在合成高质量多样的图像并生成准确标签方面的有效性。
Mar, 2024
DistDiff 是一种基于分布感知扩散模型的有效数据扩充框架,通过构建分层原型来逼近真实数据分布,优化扩散模型中的潜在数据点,实现生成与目标分布一致的样本,从而在数据扩充任务中取得显著的改进。
Mar, 2024