使用对比学习方法最小化不同类别合成图像分布之间的重叠，以改善长尾分布数据集中稀有类别的图像合成质量，并证明该方法能够有效处理基于扩散的生成和分类模型中的不平衡数据。

Feb, 2024

本文提出了 Deep Over-sampling（DOS）方法，它通过显式的、受监督的表示学习扩展了合成过采样方法，以利用卷积神经网络获取的深度特征空间，并通过 CNN 的训练和更新目标的迭代过程，使嵌入之间的类内方差较小，从而提高了深度表示的判别力。实验证明，DOS 框架不仅能够更好地解决类别不平衡问题，而且在标准平衡环境下还能提高 CNN 的性能。

Apr, 2017

本文提出了一种使用扩散模型的现实数据合成方法，以平衡核类别和扩大观察各种核的机会，并使用语义标签条件扩散模型来生成逼真且高质量的图像样本，证明该方法提高了罕见类型的核分类的分类性能，同时在不平衡病理核数据集中显示出卓越的分割和分类性能。

Jun, 2023

本文探讨了几种多标签不平衡分类问题中的过采样技术，证明了通过使用合成采样技术，可以提高恶性程度预测的每个类的性能敏感性，寻找合适的低层次图像特征和随机森林分类器对数据集进行分类，可以对多标签不平衡分类问题提供信息和指导。

Jul, 2018

当前半监督目标检测算法通常假设类别平衡的数据集（如 PASCAL VOC 等）或类别稍不平衡的数据集（如 MS-COCO 等），然而真实世界的数据集往往具有极度的类别不平衡性，从而使半监督目标检测器的性能远远不令人满意。为了弥补这一研究空白，我们全面研究了半监督目标检测中类别不平衡问题的更具挑战性的场景，形成了第一个实验设置用于类别不平衡的半监督目标检测（CI-SSOD）。此外，我们提出了一个简单但有效的基于梯度的采样框架，从两个类型的确认偏差的角度解决了类别不平衡问题。实验结果表明，我们的方法在三个提出的子任务上，即 MS-COCO、MS-COCO 到 Object365 和 LVIS 上，均明显优于当前的类别不平衡目标检测器，为未来 CI-SSOD 研究提供了基准。

Mar, 2024

本文介绍了应用 ISDL 多类智能皮肤诊断框架，利用 58,457 张皮肤图像和 10,857 张未标记的样本进行了可解释性和失衡半监督学习的第一项研究。我们的 ISDL 通过自我平衡训练实现，提高了少数类别的伪标注样本在每次迭代中的概率，进而推动了无标签样本的利用解决类别不平衡问题，实现了多标签皮肤疾病分类的 0.979 的准确率、0.975 的敏感性、0.973 的特异性、0.974 的宏平均 F1 分数和 0.999 的接收者操作特征曲线下面积（AUC）。结合 Shapley Additive Explanation（SHAP）方法，解释了深度学习模型的预测，这与临床诊断一致。我们还提出了一种采样分布优化策略，使用 ISDLplus 可以更有效地选择伪标注样本。此外，该研究有望缓解对专业医生所提出的压力，并帮助解决农村地区医生短缺的实际问题。

Nov, 2022

提出了一种鲁棒的条件扩散模型，用于语义图像合成，通过标签扩散处理噪声标签，同时引入类别权重的噪声时间表来增强鲁棒性。在实验中证明了该方法在生成高质量样本方面的有效性，并模拟了现实应用中的人类错误情况。

Feb, 2024

提出了一种称为 OSASIS 的新型一次性风格化方法，能够在保持结构的同时对图片进行风格化，通过将语义与图像结构分离，可以控制对给定输入的内容和风格的水平，实验证明 OSASIS 在各种实验设置下表现优于其他风格化方法，特别针对训练中很少出现的输入图片，为通过扩散模型进行风格化提供了有希望的解决方案。

Feb, 2024

本文介绍了一种名为 “Diffusion Inversion” 的方法，该方法使用预先训练的生成模型 Stable Diffusion，通过将图像倒换到其潜在空间中来捕获原始数据分布并确保数据覆盖，即可生成多样高质量的训练图片，此方法通过三个关键部件成功替换了原始数据集，从而提高了样本复杂度并缩短了采样时间，不仅优于泛化提示导向方法和 KNN 检索基线，还可与常见数据增强技术兼容，提高少样本学习的可靠性。

May, 2023

VOS 是一种新的框架，用于通过自适应合成虚拟离群值，在训练期间能够有意义地规范模型的决策边界，包括在特征空间中从类条件分布进行虚拟离群值取样，同时引入一种新的未知感知训练目标，与 ID 数据和合成离群数据之间的不确定性空间进行反向塑形，VOS 与物体检测和图像分类模型均能实现竞争性表现，在物体检测器上将 FPR95 降低了最高达 9.36％。

Feb, 2022