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

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

该研究论文主要讨论在网络使用情况下，包括流量分类领域尚未推广的数据增强技术对性能的改进，通过研究 14 种手工制作的数据增强方法在 MIRAGE19 数据集上的初步研究结果显示，数据增强可以在流量分类方面带来未被发掘的好处，从而促进了自动化数据增强设计的研究议程。

Oct, 2023

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

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

当前的感知模型依赖于资源密集型的数据集，因此需要创新性的解决方案。通过利用扩散模型和合成数据，通过从各种注释中构建图像输入，有助于下游任务。DetDiffusion 首次统一了生成模型和感知模型，解决了为感知模型生成有效数据的挑战。为了增强感知模型的图像生成能力，我们引入了感知感知损失（P.A. 损失），通过分割改善图像的质量和可控性。为了提高特定感知模型的性能，我们的方法在生成过程中提取和利用感知感知属性（P.A. 属性）进行自定义数据增强。目标检测任务的实验结果突出了 DetDiffusion 卓越的性能，在布局引导生成方面建立了新的最先进技术水平。此外，DetDiffusion 生成的图像合成能够有效增强训练数据，显著提高下游检测性能。

Mar, 2024

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

数据增强在训练深度模型中至关重要，防止其对有限数据过拟合。常见的数据增强方法虽然有效，但最近生成式人工智能的进展，如用于图像生成的扩散模型，使得更复杂的增强技术成为可能，能够生成类似于自然图像的数据。我们引入了 GeNIe，它利用一个以文本提示为条件的扩散模型，将对比的数据点（源类别的图像和目标类别的文本提示）合并起来生成对目标类别具有挑战性的样本。受到最近图像编辑方法的启发，我们限制扩散迭代次数和噪声量。这确保生成的图像保留源图像的低级和上下文特征，可能与目标类别产生冲突。我们的大量实验证明了我们的新型增强方法的有效性，尤其对于只有有限样本的类别有益。

Dec, 2023

通过引入广义扩散适应（GDA）方法，研究论文提出了一种对不同类型的分布移位具有鲁棒性的测试时间适应方法，实现了在广泛的 OOD 基准测试上的最高分类准确度提升。

Mar, 2024

本文提出利用去噪技术提升分类器性能的方法，通过在正向扩散过程中（从数据到噪音）训练分类器并引入去噪样本，与传统单纯训练噪声样本的扩散分类器相比，达到了更好的泛化性能和视觉效果，并描述了一种半监督框架的基于扩散模型的训练方法及实验结果。

Jun, 2023