迈向数据覆盖的持续扩展：自动文本引导的边缘案例合成

深度神经网络的性能受其训练数据质量的强烈影响。然而，通过手动筛选具有挑战性的边缘案例来缓解数据集偏差仍然是一个主要瓶颈。为了解决这个问题，我们提出了一种用于文本引导的边缘案例合成的自动化流程。我们的方法采用了一个通过偏好学习进行微调的大型语言模型，将图像描述改写为多样化的文本提示，从而引导文本到图像模型生成困难的视觉场景。在FishEye8K目标检测基准上的评估表明，我们的方法实现了卓越的鲁棒性，超越了朴素的增强方法和人工设计的提示。这项工作建立了一个可扩展的框架，将数据筛选从手动工作转变为自动化的、有针对性的合成，为开发更可靠且持续改进的人工智能系统提供了一个有前景的方向。代码可在 https://github.com/gokyeongryeol/ATES 获取。