本研究探讨了结合实际图片和虚拟对象的增量学习方法，通过少量用户交互的方式，将虚拟对象添加到实际图片中，从而提高物体实例分割模型的性能。通过在KITTI 2015和Cityscapes数据集上的实验结果表明，增量学习方法可以显著提高实例分割和物体检测模型的泛化能力。

Aug, 2017

本文介绍了深度学习算法在计算机视觉任务中的性能表现，以及数据增强技术对应对过拟合问题的应用。在这篇文章中，我们提供了数据增强技术的背景知识和综述，通过对现有的数据增强技术进行分类和比较，从而指导研究者选择适合自己的方法。我们还研究了数据增强技术的综合效果，得出结论可以显著提升图像分类、目标检测和语义分割的性能，我们提供了代码用于结果复现，并探讨了该领域未来的研究方向与挑战。

Jan, 2023

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

通过个性化数据集对扩散模型进行微调是一种被认可的方法，可以在下游任务中提高生成质量，然而，这种方法常常会无意中生成水印和QR码等意外概念，这是由于特定下游任务中图像来源和收集方法的限制所引起的。我们提出了一种新方法，即methodname，通过额外的可访问分类器或检测器模型将这些概念的几何信息编码到文本域中，以成功消除隐含概念。此外，我们提出了一种新的图像-文本数据集，其中包含三个隐含概念（水印、QR码和文字），用于训练和评估。实验结果表明，methodname不仅能够识别隐含概念，还能有效消除它们，相比现有方法有了显著的改进。几何信息的整合在扩散模型中准确去除隐含概念方面取得了重要进展。

Oct, 2023

本研究提出了一种使用预训练的潜在扩散模型来扩充数据集的方法，并引入了实例级数据增强的概念。该方法通过重新绘制场景内的个别对象来改善卓越的显著目标检测、语义分割和物体检测模型的性能和泛化能力，并在需要数据匿名化时，通过重新绘制隐私敏感实例来实现。

Jun, 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

本研究解决了数据集多样性不足带来的问题，提出了一种简单有效的数据增强方法，通过生成模型，特别是文本到图像合成技术，生成带标签的真实图像变体。背景增强显著提高了模型的鲁棒性和泛化能力，经过在COCO数据集及其他物体检测基准的评估，证实了该方法在不同场景中的显著性能提升。

Aug, 2024

本研究解决了现有数据增强方法在数据集多样性与语义协调之间难以平衡的问题。我们提出了一种创新的增强技术，利用预训练的条件扩散模型，同时开发了类别亲和矩阵和周边区域对齐策略，显著提高了数据集多样性并保持了语义一致性。实验证明，我们的方法在三个不同的目标检测模型上均实现了+1.4AP、+0.9AP和+3.4AP的显著改进。

Aug, 2024

本研究针对传统数据增强方法在扩展数据集时面临的局限性，提出了一种新的自动生成数据增强框架（AGA）。该框架结合了大型语言模型、扩散模型和分割模型的优势，在保留前景真实性的同时，确保背景多样性。实验结果显示，AGA在多个基准数据集上显著提高了准确率，表现出优秀的潜在影响。

Aug, 2024