风格化合成数据增强进一步提升损坏鲁棒性
计算机视觉与模式识别
2025-12-22 v3 机器学习
摘要
本文提出一种训练数据增强管道，将合成图像数据与神经风格迁移相结合，以解决深度视觉模型对常见损坏的脆弱性。我们表明，尽管将风格迁移应用于合成图像会使其在常用的Frchet Inception Distance（FID）指标下质量下降，但这些图像在模型训练方面却意外地大有裨益。我们对两种增强及其关键超参数对图像分类器性能的影响进行了系统实证分析。我们的结果表明，风格化和合成数据相得益彰，可与流行的基于规则的数据增强技术（如TrivialAugment）相结合，但与其他技术不兼容。我们的方法在多个小规模图像分类基准上实现了状态最高的损坏鲁棒性，在CIFAR-10-C、CIFAR-100-C和TinyImageNet-C上分别达到93.54%、74.9%和50.86%的鲁棒准确率。
引用
@article{arxiv.2512.15675,
title = {Stylized Synthetic Augmentation further improves Corruption Robustness},
author = {Georg Siedel and Rojan Regmi and Abhirami Anand and Weijia Shao and Silvia Vock and Andrey Morozov},
journal= {arXiv preprint arXiv:2512.15675},
year = {2025}
}
备注
Accepted at VISAPP 2026 conference