Diff-Mosaic: 通过扩散先验增强红外小目标检测的逼真表示

Jun, 2024

Diff-Mosaic: 通过扩散先验增强红外小目标检测的逼真表示

Diff-Mosaic: Augmenting Realistic Representations in Infrared Small Target Detection via Diffusion Prior

Yukai Shi, Yupei Lin, Pengxu Wei, Xiaoyu Xian, Tianshui Chen...

TL;DR本研究旨在通过扩充红外数据集及改进数据增强方法，利用扩散先验进行数据增强，从而提高红外目标检测网络性能。

Abstract

Recently, researchers have proposed various deep learning methods to accurately detect infrared targets with the characteristics of indistinct shape and texture. Due to the limited variety of infrared datasets, t

deep learning infrared targets data augmentation diffusion model detection network

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

扩散深度伪造

通过生成式 AI 和扩散模型，我们引入了两个广泛的生成伪造数据集，用于测试当前深伪造检测器的脆弱性，并提出了增强训练数据多样性和动量困难提升策略来改进模型的普适性。通过全面评估，我们的模型优化方法明显优于以前的替代方案。

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

DetDiffusion：将生成模型和感知模型协同工作以提升数据生成和感知能力

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

通过扩散模型的类间图片混合提升图像分类

通过 Diff-Mix 方法进行图像翻译以实现数据增强，实现更好的忠实度和多样性平衡，从而在各种图像分类场景中显著提高性能。

Mar, 2024

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

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。

Sep, 2023

Select-Mosaic: 密集小物体场景的数据增强方法

通过提出改进的 Select-Mosaic 数据增强方法，针对空中图像中大量密集小物体的检测挑战，该方法通过细粒度区域选择策略，在减少过拟合风险的同时，显著提高了检测模型的准确性和稳定性。

Jun, 2024

MosaicFusion：扩容词汇实例分割的扩散模型数据增强器

MosaicFusion 是一种简单而有效的基于扩散的数据增强方法，用于大词汇实例分割，通过文本到图像扩散模型生成合成标记数据，提高现有实例分割模型在罕见和新颖类别上的性能。

Sep, 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

基于扩散的图像生成方法用于表面缺陷检测中的数据增强

本研究中，我们展示了在工业场景中可以利用扩散模型改进数据增强过程以增强表面缺陷检测。我们提出了一种名为 In&Out 的数据增强方法，混合了超出分布和分布内样本，可以在零样本数据增强和少样本和多样本数据增强设置下处理缺陷数据。在挑战性的 Kolektor 表面缺陷数据集 2 上，我们定义了新的弱监督分类 AP 得分，达到了.782。

Jun, 2024