HERS：面向风险特定车辆损伤的扩散模型隐藏模式专家学习

文本到图像（T2I）扩散模型的最新进展使得生成日益真实的车辆损伤图像成为可能，引发了对自动化保险工作流中可靠性的担忧。生成碰撞类图像的能力挑战了真实数据与合成数据之间的边界，引入了欺诈或索赔操纵中滥用的新风险。为了解决这些问题，我们提出 HERS（Hidden-Pattern Expert Learning for Risk-Specific Damage Adaptation），一个旨在提高扩散生成损伤图像的保真度、可控性和领域对齐的框架。HERS 通过领域特定的专家适应对基础扩散模型进行微调，无需人工标注。利用由大语言模型和 T2I 流水线自动生成的自监督图像-文本对，HERS 将每个损伤类别（如凹痕、划痕、破损车灯或开裂漆面）建模为独立的专家。这些专家随后被整合到一个统一的多损伤模型中，在专业化与泛化之间取得平衡。我们在四个扩散骨干网络上评估 HERS，观察到一致的提升：与基线相比，文本忠实度提高 5.5%，人工偏好评分提高 2.3%。除了图像保真度外，我们还讨论了欺诈检测、审计性和生成模型在高风险领域安全部署的影响。我们的发现突出了领域特定扩散的机会与风险，强调了在自动驾驶保险等安全关键应用中可信生成的重要性。