缺陷迁移 GAN：用于数据增强的多样化缺陷合成
计算机视觉与模式识别
2023-02-17 v1
摘要
数据匮乏与数据失衡是许多深度学习方法的两大主要缺陷。例如，在高度优化的生产线上，缺陷样本极难获取，而无缺陷样本几乎唾手可得。然而缺陷彼此常常相似，例如不同产品上的划痕可能仅在少数特征上有所区别。本工作中，我们提出一种框架——缺陷迁移 GAN（DT-GAN），它学习在不同背景产品上且跨产品的独立缺陷类型表示，同时能将缺陷特定风格应用于生成逼真的缺陷图像。在 MVTec AD 与另外两个数据集上的实证研究表明，DT-GAN 在样本保真度与缺陷生成多样性方面优于最先进的图像合成方法。我们进一步展示了其对制造中一项关键下游任务——缺陷分类的益处。结果显示，即便在少样本情形下，来自 DT-GAN 的增强数据也带来稳定提升，相较于传统与先进的数据增强方法，错误率最高降低 51%。
引用
@article{arxiv.2302.08366,
title = {Defect Transfer GAN: Diverse Defect Synthesis for Data Augmentation},
author = {Ruyu Wang and Sabrina Hoppe and Eduardo Monari and Marco F. Huber},
journal= {arXiv preprint arXiv:2302.08366},
year = {2023}
}
备注
Accepted by BMVC 2022