地球观测中的数据增强：扩散模型方法
本文介绍了AiTLAS基准测试套件，它是用于评估地球观测中图像分类的最先进深度学习方法的开源基准测试套件。我们对500多种模型进行了全面比较分析，以22个不同大小和属性的数据集为基础，并将它们与各种多类别和多标签分类任务进行比较，找到了一个通用而有效的模型。
Jul, 2022
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
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
本文介绍了地球观测所面临的机器学习等技术对于从原始数据到可用信息转化的必要工具和方法，并探讨了这些发展的挑战及其影响，包括计算机视觉、机器学习、高级处理和计算、以知识为基础的人工智能、可解释的人工智能和因果推断、物理感知模型、以用户为中心的方法以及与大规模使用机器学习技术相关的伦理和社会问题的讨论。
May, 2023
利用扩散模型在地球观测数据方面带来的先进人工智能技术的进展，在新的情境中将具有很高的潜力。论文通过介绍一系列生成模型，并提出和分析三个应用案例，展示了基于扩散方法在卫星图像数据领域的潜力，即云去除和图像修复、用于变化检测任务的数据集生成以及城市重新规划。
Nov, 2023
我们在地球观测任务中研究使用生成图像扩散来解决标注数据稀缺的问题，并发现生成的样本在提高卫星语义分割的定量性能方面取得了显著的改进。
Mar, 2024
扩散模型在遥感领域具有巨大潜力，在图像处理方面取得了重要进展。该研究对扩散模型在遥感领域的应用进行了全面回顾，涵盖了图像生成、增强和解释等方面，并对现有模型的局限性与进一步研究方向进行了探讨和总结。
Apr, 2024
图像数据增强在计算机视觉任务中是一种重要的方法，它可以增强训练数据集的多样性和质量，从而提高机器学习模型在下游任务中的性能和鲁棒性。本研究对基于扩散模型的图像增强方法进行了系统、全面、深入的综述，涵盖了广泛的策略、任务和应用。具体而言，首先对扩散模型的基本原理、模型架构和训练策略进行了全面分析。随后，引入了相关图像增强方法的分类方法，重点介绍了语义操作、个性化和适应性以及特定应用增强任务的技术。然后，分析了性能评估方法和相应的评估指标。最后，讨论了当前领域面临的挑战和未来的研究方向。
Jul, 2024
本研究解决了地球观测领域在多视角学习中因缺失数据而影响模型性能的问题。提出的新方法通过模拟缺失视角的组合，使用动态合并函数而非简单的数据填充，显著增强了模型的预测鲁棒性。实验结果表明，该方法在适度缺失条件下提升了模型的鲁棒性，且在所有视角可用时也提高了预测性能。
Jan, 2025