利用语义可靠的合成图像进行噪声标签修正
计算机视觉与模式识别
2025-09-05 v1
摘要
图像分类数据集中的语义噪声（即视觉上相似的类别被频繁误标）对传统监督学习方法构成了重大挑战。本文探讨了利用先进文本到图像模型生成的合成图像来解决此问题的潜力。尽管这些高质量的合成图像带有可靠的标签，但由于域差距和多样性限制，其直接应用于训练的效果有限。与传统方法不同，我们提出了一种新方法，将合成图像作为可靠的参考点，以识别和修正噪声数据集中的误标样本。在多个基准数据集上的大量实验表明，我们的方法在各种噪声条件下均显著提高了分类准确率，尤其是在存在语义标签噪声的挑战性场景中。此外，由于我们的方法与现有的抗噪声学习技术正交，当其与最先进的抗噪声训练方法相结合时，取得了卓越的性能：在 70% 语义噪声下，CIFAR-10 的准确率提高了 30%，CIFAR-100 提高了 11%；在真实世界噪声条件下，ImageNet-100 的准确率提高了 24%。
引用
@article{arxiv.2509.04298,
title = {Noisy Label Refinement with Semantically Reliable Synthetic Images},
author = {Yingxuan Li and Jiafeng Mao and Yusuke Matsui},
journal= {arXiv preprint arXiv:2509.04298},
year = {2025}
}
备注
Accepted to ICIP2025