DTGen：基于生成式扩散的细粒度脏餐具识别少样本数据增强
计算机视觉与模式识别
2025-09-16 v1 人工智能
摘要
智能餐具清洗是食品安全和智能家居中的关键应用，但现有方法受限于粗粒度分类和少样本数据稀缺，难以满足工业化需求。我们提出DTGen，一种针对细粒度脏餐具识别设计的少样本数据增强方案，基于生成式扩散模型。DTGen 通过 LoRA 实现高效的领域专化，通过结构化提示生成多样化的脏图像，并通过 CLIP 基于跨模态过滤确保数据质量。在极端有限的真实少样本条件下，DTGen 能够合成 virtually unlimited（几乎无限）的高质量样本，显著提升分类器性能，支持细粒度脏餐具识别。我们进一步阐述了轻量级部署策略，为将 DTGen 的优势移植到嵌入式洗碗机并与清洗程序集成，从而智能调节能源消耗和清洁剂用量提供了可行路径。研究结果表明，DTGen 不仅验证了生成式 AI 在少样本工业视觉中的价值，也为自动餐具清洗和食品安全监控提供了可行的部署路径。
引用
@article{arxiv.2509.11661,
title = {DTGen: Generative Diffusion-Based Few-Shot Data Augmentation for Fine-Grained Dirty Tableware Recognition},
author = {Lifei Hao and Yue Cheng and Baoqi Huang and Bing Jia and Xuandong Zhao},
journal= {arXiv preprint arXiv:2509.11661},
year = {2025}
}