MoireMix：基于公式的数据增强方法以提高图像分类鲁棒性
计算机视觉与模式识别
2026-03-27 v1 人工智能
摘要
数据增强是提高图像分类模型鲁棒性的关键技术。然而，许多近期方法依赖于基于扩散的合成或复杂的特征混合策略，这些方法引入了巨大的计算开销或需要外部数据集。本文探索了另一条道路：基于解析干涉图案的程序化数据增强。不同于依赖随机噪声、特征混合或生成模型的常规数据增强方法，我们的方法利用莫尔现象干涉来生成跨越宽广空间频率范围的结构化扰动。我们提出了一种轻量级数据增强方法，通过闭形式数学公式在运行时生成莫尔纹理。这些图案直接在内存中合成，计算开销可忽略不计（每张图像仅需0.0026秒），在训练期间与训练图像混合后立即丢弃，从而实现无存储、无外部数据的数据增强管道。广泛的实验表明，所提方法在多个基准测试上（包括ImageNet-C、ImageNet-R和对抗性基准） consistently 提升了基于Vision Transformer的鲁棒性，优于标准数据增强基线和现有的无外部数据的数据增强方法。这些结果表明，解析干涉图案为数据驱动生成式数据增强方法提供了一种实用且高效的替代方案。
引用
@article{arxiv.2603.25109,
title = {MoireMix: A Formula-Based Data Augmentation for Improving Image Classification Robustness},
author = {Yuto Matsuo and Yoshihiro Fukuhara and Yuki M. Asano and Rintaro Yanagi and Hirokatsu Kataoka and Akio Nakamura},
journal= {arXiv preprint arXiv:2603.25109},
year = {2026}
}