图像数据增强扩散模型的最新进展：方法、模型、评估指标与未来研究方向综述
计算机视觉与模式识别
2025-01-13 v2 人工智能
摘要
图像数据增强是现代计算机视觉任务中至关重要的方法，因为它可以促进增强训练数据集的多样性和质量，从而提高下游任务中机器学习模型的性能和鲁棒性。并行地，增强方法也可用于在上下文和语义感知方式下编辑/修改给定图像。扩散模型 (DMs) 作为最新且高度有前景的方法在人工智能领域，已成为图像数据增强的强大工具，能够通过学习底层数据分布生成真实且多样的图像。当前研究实现了对 DM 基于方法的图像增强的系统、全面和深入综述，涵盖广泛的策略、任务和应用。特别是，对 DM 的基本原理、模型架构和训练策略进行了全面分析。随后，引入相关图像增强方法的分类法，聚焦于语义操控、个人化和适应，以及特定应用的增强任务。然后，分析了性能评估方法及其相应评估指标。最后，讨论了该领域的当前挑战和未来研究方向。
引用
@article{arxiv.2407.04103,
title = {Advances in Diffusion Models for Image Data Augmentation: A Review of Methods, Models, Evaluation Metrics and Future Research Directions},
author = {Panagiotis Alimisis and Ioannis Mademlis and Panagiotis Radoglou-Grammatikis and Panagiotis Sarigiannidis and Georgios Th. Papadopoulos},
journal= {arXiv preprint arXiv:2407.04103},
year = {2025}
}
备注
65 pages, 15 figures