Sep, 2023

从零开始使用基于扩散的数据增强来提升无监督对比学习

PDF
TL;DR通过扩散步骤，DiffAug 引入了一种新颖且高效的基于扩散的数据增强技术，以确保增强数据和原始数据在光滑的潜在空间中共享，从而通过无需标签、外部数据 / 模型或先前知识的约束来提高图像分类和聚类准确性，可适用于视觉和生物领域。
unsupervised contrastive learningdata augmentationdiffaugimage classificationbiological data
发现论文，激发创造
  • 扩散模型在有效数据增强中的应用

    通过使用图像转图像的方法、以及预训练的文本到图像扩散模型将其参数化，解决了数据扩增过程中具有高级语义标注的动物种类等属性缺乏多样性的问题，并在少样本情境和杂草识别任务中得到实际应用。

    Feb, 2023

  • 利用语言进行图像的语义增强

    通过利用生成的图像来增强现有数据集的技术，该论文探讨了各种有效的数据增强策略，以提高深度学习模型的跨域泛化能力。

    Apr, 2024

  • DiffuseMix：保持标签的扩充数据方法与扩散模型

    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

  • 扩增模型与检索中的数据增强视角

    本文系统评估了扩散模型生成图像的现有方法，并研究了新的扩展方式以评估它们对数据增强的益处。作者发现，将扩散模型个性化到目标数据的方法优于简单的提示策略，但使用扩散模型的训练数据，通过简单的最近邻检索程序，直接提高下游性能。此项研究揭示了扩散模型在数据增强方面的局限性，同时也突显了其在生成新训练数据方面的潜力，以提高在简单的下游视觉任务中的性能。

    Apr, 2023

  • 大规模无条件预训练的合成增强

    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

  • 基于扩散模型的数据扩充技术

    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

  • 应用扩散模型进行图像字幕的多模态数据增强

    本研究提出了一种基于多模态数据增强技术的图像字幕生成方法，旨在解决图像字幕对齐困难的问题。实验证明，本方法可以通过高质量生成图像 - 字幕对来扩充训练数据集，从而提高模型的训练效率和预测准确性。

    May, 2023

  • 可微分的增强数据策略用于数据高效的 GAN 训练

    本研究提出了一种名为 Differentiable Augmentation（DiffAugment）的方法，该方法通过对真假样本施加各种可导的增强以提高 GAN 的数据效率，有效地稳定训练，导致更好的收敛。实验表明，我们的方法具有一致的收益，可以在各种 GAN 架构和损失函数上进行无条件和条件生成。 DiffAugment 可以在只有 20％ 的训练数据情况下，在 CIFAR-10 和 CIFAR-100 上达到并匹配最高预测性能。

    Jun, 2020

  • 基于扩散的核细胞图像分割数据增强

    本文介绍了一种基于扩散的核分割增强方法，通过合成大量标记图像，以提高分割模型的性能。实验结果表明，通过将 10％的真实标记数据集与合成样本相结合，可以实现与完全监督基准相媲美的分割结果。

    Oct, 2023

  • 跨领域图数据缩放：扩散模型案例展示

    我们提出了 UniAug，这是一个建立在扩散模型之上的通用图结构增强器，通过预训练的扩散模型进行结构增强，在不同领域的图上实现了性能的持续改进，并在图数据扩展领域展示了首次示范。

    Jun, 2024