.png){kind=icon}
返回
Diffusion-Based Data Augmentation for Image Recognition: A Systematic Analysis and Evaluation
.png){kind=icon}
PRE
AI
DOI：10.1007/s11263-026-02754-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于扩散的数据增强（DiffDA）已作为一种有前景的方法出现，用于在数据稀缺条件下提升分类性能。然而，现有工作在任务配置、模型选择和实验流程方面存在显著差异，使得难以公平比较方法或评估其在不同场景下的有效性。此外，目前仍缺乏对完整DiffDA工作流程的系统理解。在本工作中，我们介绍了UniDiffDA，一个统一的解析框架，该框架将DiffDA方法分解为三个核心组件：模型微调、样本生成和样本利用。这一视角使我们能够识别现有方法的关键差异并阐明整体设计空间。基于此框架，我们开发了一套全面且公平的评估协议，对代表性的DiffDA方法在多样化的低数据分类任务上进行基准测试。大量实验揭示了不同DiffDA策略的相对优势和局限性，并为方法设计和部署提供了实践见解。所有方法均在统一代码库中重新实现，并公开发布代码和配置，以确保可复现性并促进未来研究。
Keyword:
Data Augmentation
Diffusion Models
Image Recognition
Evaluation
期刊
IF:
9.3
论文数:
3.9K
被引数:
2.8W
机构
引用论文
.png){kind=icon}
SatSynth: Augmenting Image-Mask Pairs Through Diffusion Models for Aerial Semantic SegmentationSatSynth: 通过扩散模型增强图像-掩模对以进行空中语义分割
PREAI
分享收藏
查看更多内容