利用潜在扩散模型进行数据增强以检测历史艺术品中的气味相关物体

在历史艺术品中查找气味参考是一个具有挑战性的问题。除了艺术品特有的挑战（如风格差异），其识别还需要极其精细的标注类别，从而导致标注稀疏和极端类别不平衡。在本工作中，我们探索了合成数据生成在缓解这些问题和实现气味相关物体准确检测方面的潜力。我们评估了多种基于扩散的增强策略，并证明将合成数据纳入模型训练可以提升检测性能。我们的结果表明，利用扩散模型的大规模预训练为提升检测准确率提供了一种有前景的方法，特别是在标注稀缺且获取成本高昂的小众应用中。此外，所提出的方法即使在数据量相对较少时也有效，扩展规模具有进一步提升的潜力。