面向农业AI的生成式扩散模型：植物图像生成、室内到户外翻译及专家偏好对齐
计算机视觉与模式识别
2025-12-23 v1
摘要
农业人工智能的成功严重依赖大量多样且高质量的植物图像数据集，但在真实田间条件下收集此类数据成本高昂、工作量大且受季节限制。本文通过植物图像合成、室内到户外翻译及专家偏好对齐微调，探索基于扩散的生成式建模以应对这些挑战。首先，对在带注释的室内和户外植物图像上微调的稳定扩散模型，用于生成canola和soybean的真实、文本条件图像。采用Inception Score、Fréchet Inception Distance以及下游表型分类评估，合成图像有效提升了训练数据的准确率。其次，通过DreamBooth-based文本反转和图像引导扩散，桥接高分辨率室内数据集与有限户外图像之间的差距，生成翻译后的图像以增强 weed 检测和分类，基于YOLOv8。最后，构建偏好引导微调框架，在专家评分上训练奖励模型，并应用奖励加权更新以产生更稳定且符合专家偏好的输出。综上，这些组件共同展示了面向农业AI的数据高效生成管道的实际路径。
关键词
引用
@article{arxiv.2512.19632,
title = {Generative diffusion models for agricultural AI: plant image generation, indoor-to-outdoor translation, and expert preference alignment},
author = {Da Tan and Michael Beck and Christopher P. Bidinosti and Robert H. Gulden and Christopher J. Henry},
journal= {arXiv preprint arXiv:2512.19632},
year = {2025}
}