SGD-Mix：面向领域特定图像分类的标签保持数据增强

领域特定图像分类任务的数据增强往往难以同时解决数据多样性、忠实性和标签清晰度问题，导致下游任务性能 suboptimal。虽然现有的基于扩散模型的生成方法试图增强增强，但它们往往未能协同解决这三个关键方面，常常忽视扩散模型的内在挑战，如对模型特征的敏感性以及在强变换下的随机性。本文提出了一种新框架，显式地将多样性、忠实性和标签清晰度集成到增强过程中。我们的方法采用显著性引导的混合和微调的扩散模型，以保留前景语义、丰富背景多样性并确保标签一致性，同时减轻扩散模型的局限性。在针对细粒度、长尾、少样本和背景鲁棒性等任务的大量实验中，我们的方法在与最先进方法的性能上表现出优势。