FLORA：通过微调 Flux LoRA 在低数据体制下高效生成目标检测合成数据
计算机视觉与模式识别
2025-09-01 v1
摘要
基于扩散的生成模型的最新进展已展现出在扩充目标检测任务的稀缺数据集方面的巨大潜力。然而，大多数最新模型依赖于资源密集型的大规模扩散模型全微调，需要企业级 GPU（例如 NVIDIA V100）和数千张合成图像。为了解决这些限制，我们提出了 Flux LoRA Augmentation (FLORA)，一种轻量级的合成数据生成流水线。我们的方法使用 Flux 1.1 Dev 扩散模型，仅通过 Low-Rank Adaptation (LoRA) 进行微调。这大幅降低了计算需求，使得利用消费级 GPU（例如 NVIDIA RTX 4090）生成合成数据集成为可能。我们在七个不同的目标检测数据集上实证评估了我们的方法。结果表明，仅使用我们的方法生成的 500 张合成图像训练目标检测器，即可获得优于使用 ODGEN 基线的 5000 张合成图像训练的模型的检测性能，在 [email protected]:.95 上实现了高达 21.3% 的提升。这项工作证明了以更高的效率超越 SOTA 性能是可能的，因为 FLORA 仅使用 10% 的数据和一小部分计算成本就获得了更优结果。这项工作表明，注重质量与效率的方法比暴力生成更有效，使先进的合成数据创建在现实场景中更实用、更易获取。
引用
@article{arxiv.2508.21712,
title = {FLORA: Efficient Synthetic Data Generation for Object Detection in Low-Data Regimes via finetuning Flux LoRA},
author = {Alvaro Patricio and Atabak Dehban and Rodrigo Ventura},
journal= {arXiv preprint arXiv:2508.21712},
year = {2025}
}