NoiseCutMix：一种通过混合估计噪声实现数据增强的新方法
计算机视觉与模式识别
2025-09-03 v1
摘要
本研究提出一种新颖的数据增强方法，将 CutMix 的概念引入扩散模型的生成过程中，从而利用扩散模型生成自然高分辨率图像的能力，以及 CutMix 组合两类特征以创建多样化增强数据的特点。代表性的数据增强方法包括 CutMix 和 MixUp。然而，诸如 CutMix 之类的技术常常导致两幅图像之间不自然的边界 due to 背景差异。因此，本研究提出了一种称为 NoiseCutMix 的方法，通过在扩散模型中对两种不同类别的估计噪声进行部分组合，实现具有两种类别融合特征的自然高分辨率图像生成。在分类实验中，我们通过与传统数据增强技术、使用 Stable Diffusion 随机生成图像以及这些方法的组合进行比较，验证了所提方法的有效性。我们的代码已公开：https://github.com/shumpei-takezaki/NoiseCutMix
引用
@article{arxiv.2509.00378,
title = {NoiseCutMix: A Novel Data Augmentation Approach by Mixing Estimated Noise in Diffusion Models},
author = {Shumpei Takezaki and Ryoma Bise and Shinnosuke Matsuo},
journal= {arXiv preprint arXiv:2509.00378},
year = {2025}
}
备注
Accepted at ICCV2025 Workshop LIMIT