通过稳定扩散模型生成高分辨率图像，并利用这些图像提高检测模型的性能，这项研究有助于将稳定扩散模型应用于不同领域的分类和检测任务。
Dec, 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
该研究提出了 DODA，一种能够在农业领域生成高质量物体检测数据的数据合成器，通过将布局编码为图像，提高了布局到图像的可控性，从而改善了标签的质量，并使用视觉编码器为扩散模型提供视觉线索，使模型能够在新领域生成数据。在全球小麦头部检测（GWHD）数据集上，采用 DODA 合成的数据提高了目标检测器在与训练数据显著不同的领域中的表现，AP$_{50}$ 提升了 12.74-17.76。
Mar, 2024
本文挑战了最先进的生成模型，通过对稳定扩散进行微调，在语义分割方面自动生成合成数据以评估其可靠性。通过广泛实验，我们表明合成数据与真实异常数据的表现之间存在高度相关性，从而显示了该方法的有效性。此外，我们说明了如何利用合成数据来提高分割器的校准和异常检测能力。
为了扩充现有的数据集并解决类别失衡的问题，我们提出了名为 RADiff 的条件扩散模型生成方法，用来生成包含不同形态的射电源的合成图像，同时还展示了我们训练深度学习模型并在数据集上实现语义分割任务的有效性。
Jul, 2023
本文通过在航拍图像中对现有少样本目标检测方法进行深入分析，发现自然图像和航拍图像之间存在较大的性能差距，导致的原因是航拍图像中小物体的数量较多。因此，本文提出了一种精心设计的注意力机制来改善少样本目标检测方法在小物体上的性能，并提出了一种自适应尺度框相似性准则，特别适用于小物体的训练和评估。同时，本文还通过度量学习和微调提出了两种用于通用少样本目标检测的不同方法，其中微调方法在处理诸如跨域少样本目标检测等更复杂场景方面取得了显著的成果。最后，针对在 COSE 系统中部署检测模型的需求，本文利用 TensorRT 等现有优化工具成功解决了在超大图像（超过 100 百万像素）中实时进行检测的工程挑战。
Oct, 2023
本研究探讨了使用稳定扩散 2.1 基础库生成苹果树合成数据集的可行性，并将其与基于真实数据训练的基准模型进行了比较。通过 YOLOv5m 对模型进行评估，结果表明使用合成数据进行训练的模型在真实图像上的性能略低于基准模型，但这些结果具有高度的前景，证明了合成数据生成技术作为目标检测模型训练数据收集的一种可行替代方法的潜力。
本研究采用 LSKNet 骨干网络结构和 DiffusionDet 头部模型，通过新颖方法和大量割除研究对对象检测模型的精确性进行了深入评估，在空中图像对象检测中取得显著性能提升，提出了新的基准，为更精确和高效的对象检测方法铺平了道路。
Nov, 2023
在最近的生成人工智能的进展中，我们利用稳定扩散 2.0 模型来生成合成数据集，通过迁移学习、微调和生成参数优化技术改善了数据集在下游分类任务中的效用，我们提出了一种条件类别版本的模型，利用类编码器和关键生成参数的优化。使用我们的方法，在三分之一的情况下，合成数据集产生的模型胜过在真实数据集上训练的模型。