HiGFA: 基于分层引导的细粒度数据增强方法
计算机视觉与模式识别
2025-12-02 v4
摘要
生成式扩散模型在数据增强方面显示出前景。然而，将其应用于细粒度任务存在诸多挑战：合成图像必须准确捕捉那些对高保真度至关重要的细微、类别定义特征。标准方法，如基于文本的无分类器引导（CFG），往往缺乏所需的具体性，可能生成误导性的示例，从而损害细粒度分类器的性能。为此，我们提出了层次化细粒度增强方法（HiGFA）。HiGFA 利用扩散采样过程中出现的时序动态。在早期至中期采样阶段，HiGFA 使用固定强度的强文本和变换轮廓引导，以建立整体场景、风格和结构。在最终采样阶段，HiGFA 激活专用的细粒度分类器引导，并根据预测置信度动态调节所有引导信号的强度。这种层次化、置信驱动的编排使 HiGFA 能够通过智能平衡全局结构形成与精确细节 refinement，生成具有代表性的且忠实于原型的合成图像。实验表明，在多个细粒度可视化数据集上，HiGFA 的效果显著。
引用
@article{arxiv.2511.12547,
title = {HiGFA: Hierarchical Guidance for Fine-grained Data Augmentation with Diffusion Models},
author = {Zhiguang Lu and Qianqian Xu and Peisong Wen and Siran Dai and Qingming Huang},
journal= {arXiv preprint arXiv:2511.12547},
year = {2025}
}