1S-DAug：用于鲁棒小样本泛化的单样本数据增强
计算机视觉与模式识别
2026-04-20 v4 人工智能
机器学习
摘要
小样本学习（FSL）挑战模型基于少量标注样本对新类别进行泛化的能力，这是一个传统测试时增强方法无法有效发挥作用的测试平台。我们引入了 1S-DAug，一种单样本生成式增强算子，它可以在测试时仅从一个示例图像中合成多样但忠实的变体。1S-DAug 将传统的几何扰动与受控噪声注入以及以原始图像为条件的去噪扩散过程相结合。然后，生成的图像与原始图像一起被编码并聚合到一个组合表示中，以实现更鲁棒的小样本预测。作为一个无需训练、模型无关的插件，1S-DAug 在 4 个不同数据集的标准基准测试中一致地提高了小样本分类性能，而无需更新任何模型参数，包括在 miniImagenet 5-way-1-shot 基准测试中实现了高达 20% 的相对准确率提升。此外，我们提供了在更大视觉语言模型上的扩展实验以及理论分析。
引用
@article{arxiv.2602.00114,
title = {1S-DAug: One-Shot Data Augmentation for Robust Few-Shot Generalization},
author = {Yunwei Bai and Ying Kiat Tan and Yao Shu and Tsuhan Chen},
journal= {arXiv preprint arXiv:2602.00114},
year = {2026}
}