表示条件扩散模型用于引导训练数据生成
计算机视觉与模式识别
2026-05-28 v1 机器学习
摘要
数据可用性仍然是许多深度学习应用中的关键瓶颈。大规模数据集的收集、整理和标注通常成本高昂，这可能会限制监督学习方法的可扩展性和适用性。在这项工作中，我们评估了在由生成式深度学习产生的合成图像数据集上训练的模型的分类性能。特别地，我们使用了以来自 DINOv2、DINOv3 和 CLIP 的学习表示为条件的潜在扩散模型。我们的结果表明，这种表示条件公式通过提高样本质量和模式覆盖，显著优于类别条件生成（在 ImageNet100 上 top-1 准确率提高 10.76 个百分点）。此外，通过扩大合成数据集的规模，我们能够超越在真实数据上训练的分类器（top-1 准确率提高 2.0 个百分点）。我们还展示了生成的图像如何用于增强目的，优于经典增强方法，以及如何利用条件空间进行样本过滤以进一步提高训练价值。总的来说，这些发现强调了表示条件扩散模型为在大规模视觉学习任务中增强、补充或潜在地替代真实世界数据集提供了一种有前景的方法。
引用
@article{arxiv.2605.27495,
title = {Representation-Conditioned Diffusion Models for Guided Training Data Generation},
author = {Nithesh Chandher Karthikeyan and Jonas Unger and Gabriel Eilertsen},
journal= {arXiv preprint arXiv:2605.27495},
year = {2026}
}