AIDOVECL：用于眼级分类与定位的 AI 生成向外生成车辆数据集

图像标注是计算机视觉技术发展中的关键瓶颈，由于人工标注耗时，往往制约机器学习性能。本工作提出了一种新颖方法，利用向外生成（outpainting）来缓解标注数据稀缺的问题，通过生成人工上下文和标注，显著减少了标注工作量。我们将该技术应用于自动驾驶、城市规划和环境监测中一个尤为突出的挑战：缺乏来自期望类别的多样化眼级车辆图像。我们的数据集包含 AI 生成的车辆图像，这些图像通过从手动选择的种子图像中检测并裁剪车辆获得，然后将其向外生成到更大的画布上，以模拟多样的真实世界条件。向外生成的图像包含详细标注，提供了高质量的真实数据。先进的向外生成技术和图像质量评估确保了视觉保真度和上下文相关性。消融实验结果表明，纳入 AIDOVECL 可将整体检测性能提升约 10%，在上下文、物体尺度和放置多样性更大的设置中提升高达约 40%，代表性不足的类别真正阳性率提升高达约 50%。AIDOVECL 通过增强真实训练数据并支持跨多样场景的评估来提升车辆检测。通过展示向外生成作为一种自动标注范式，它为在多个机器学习领域以更少的标注努力构建细粒度数据集提供了实用且通用的解决方案。代码和数据集链接可在 https://github.com/amir-kazemi/aidovecl 获取，以供进一步研究和复现。