基于神经符号场景图条件的合成图像数据集生成
计算机视觉与模式识别
2025-03-24 v1 人工智能
机器学习
摘要
随着机器学习模型规模和复杂度的提升，获取足够训练数据的需求日益成为瓶颈，受制于获取成本、隐私限制以及专业领域数据稀缺。尽管合成数据生成已成为有前景的替代方案，但与基于真实数据的模型相比，仍存在显著性能差距，尤其在任务复杂度提升时更为明显。同时，神经符号方法由于结合了神经网络的学习优势与符号推理的结构化表示，已在各种认知任务中展现出巨大潜力。本文探讨了将神经符号条件应用于合成图像数据集生成的实用性，具体聚焦于提高场景图生成模型的性能。研究表明，神经符号条件可使标准召回率指标提升最高达2.59%，无图约束召回率提升2.83%。这些发现表明，神经符号与生成方法的融合可产生包含补充结构信息的合成数据，与真实数据组合使用可提升模型性能，为应对复杂视觉推理任务的数据稀缺问题提供了新方法。
引用
@article{arxiv.2503.17224,
title = {Neuro-Symbolic Scene Graph Conditioning for Synthetic Image Dataset Generation},
author = {Giacomo Savazzi and Eugenio Lomurno and Cristian Sbrolli and Agnese Chiatti and Matteo Matteucci},
journal= {arXiv preprint arXiv:2503.17224},
year = {2025}
}