超越裁切和旋转：利用生成模型自动演化强大的任务特定增强
计算机视觉与模式识别
2026-02-04 v1 人工智能
摘要
数据增强长期以来是减少视觉模型过拟合的基石，诸如 AutoAugment 等方法通过自动化设计任务特定增强来实现。近期生成模型的进展，如条件扩散模型和few-shot NeRF，为数据增强提供了新的范式，通过合成数据实现显著更大的多样性和真实性。然而，与传统增强方法（如裁切或旋转）不同，这些方法引入了显著性的变更，以增强鲁棒性，但也可能因增强不匹配于任务而导致性能下降。本文提出了 EvoAug，一个自动化增强学习管道，利用这些生成模型配合高效进化算法来学习最佳任务特定增强。我们的管道引入了一种新颖的方法，通过学习随机增强树来层次化组合增强，从而实现更结构化和自适应的变换。我们在精细分类和few-shot 学习任务上 demonstrate出强大的性能。值得注意的是，我们的管道发现与领域知识一致的增强，即使在稀疏数据情形下也能实现良好效果。这些结果凸显了学习生成增强的潜力，为稳健模型训练开辟了新的可能性。
引用
@article{arxiv.2602.03123,
title = {Beyond Cropping and Rotation: Automated Evolution of Powerful Task-Specific Augmentations with Generative Models},
author = {Judah Goldfeder and Shreyes Kaliyur and Vaibhav Sourirajan and Patrick Minwan Puma and Philippe Martin Wyder and Yuhang Hu and Jiong Lin and Hod Lipson},
journal= {arXiv preprint arXiv:2602.03123},
year = {2026}
}