Data Augmentation in Earth Observation: A Diffusion Model Approach
University of Luxembourg（卢森堡大学）
针对地球观测数据稀缺问题，提出整合扩散模型的四阶段数据增强方法，利用元提示、视觉语言模型和微调生成语义多样图像，实验证明其优于传统方法并提升AI性能。
2025-03-26 cs.AI cs.CV cs.SE
DTGen: Generative Diffusion-Based Few-Shot Data Augmentation for Fine-Grained Dirty Tableware Recognition
本文提出DTGen，一种基于生成式扩散模型的少样本数据增强方案，通过LoRA、结构化提示和CLIP过滤合成高质量样本，显著提升细粒度脏餐具识别性能，并支持嵌入式洗碗机的轻量化部署。
2025-09-15 cs.AI cs.CV
NoiseCutMix: A Novel Data Augmentation Approach by Mixing Estimated Noise in Diffusion Models
Kyushu University（九州大学）
本研究提出NoiseCutMix数据增强方法，将CutMix概念引入扩散模型，通过混合两类估计噪声生成自然的高分辨率融合特征图像，实验验证其效果优于传统多类增强及Stable Diffusion随机生成等方法。
2025-08-30 cs.CV
AugDiff: Diffusion based Feature Augmentation for Multiple Instance Learning in Whole Slide Image
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）；Tsinghua University（清华大学）
多实例学习（MIL）是一种强有力的弱监督学习策略，能够对千兆像素的全切片图像（WSIs）执行各种预测任务。然而，WSI中数以万计的补丁通常会导致图像增强的巨大计算负担，限制了MIL模型在性能上的改进。目前，基于特征扩充的MIL框架是一个很有前途的解决方案，而现有的方法，如Mixup往往产生不切实际的功能。为了探索一种更有效、更实用的特征增强方法，本文首次将扩散模型引入MIL，提出了一种新的特征增强框架AugDiff。具体来说，我们采用DM的生成多样性，以提高质量的特征增强和一步一步的生成属性，以控制语义信息的保留。我们对三个不同的癌症数据集，两个不同的特征提取器和三个流行的MIL算法进行了广泛的实验，以评估AugDiff的性能。消融研究和可视化进一步验证了有效性。此外，我们强调AugDiff的更高质量的增强功能，图像增强和它的优越性比自监督学习。在外部数据集上的推广表明了其更广泛的应用。
2023-03-11 cs.CV
Leveraging Diffusion Models for Synthetic Data Augmentation in Protein Subcellular Localization Classification
本研究探讨利用DDPM生成合成图像以增强蛋白质亚细胞定位多标签分类，提出MixModel结合混合训练策略，但泛化不佳，而基于ResNet的基线分类器表现更稳定，凸显了逼真数据生成与稳健监督的重要性。
2025-05-28 cs.CV
Synthetic FMCW Radar Range Azimuth Maps Augmentation with Generative Diffusion Model
1HELLA GmbH \& Co. KGaA, Lippstadt, Germany 2Dortmund University of Applied Sciences
本文提出基于生成扩散模型的雷达数据合成方法，通过置信度图和几何感知条件生成逼真雷达图，提升模型在环境感知任务中的泛化能力。
2026-01-09 cs.AI cs.CV
Erase, then Redraw: A Novel Data Augmentation Approach for Free Space Detection Using Diffusion Model
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
针对道路检测任务中传统数据增强缺乏语义多样性的问题，提出一种利用预训练扩散模型擦除原图实例并重绘新实例的数据增强方法，在 KITTI 数据集上取得最优结果。
2025-03-01 cs.CV
Improving Deep Learning-based Automatic Cranial Defect Reconstruction by Heavy Data Augmentation: From Image Registration to Latent Diffusion Models
AGH University of Kraków（克拉科夫AGH科技大学）；University of Applied Sciences Western Switzerland (HES-SO Valais)（瑞士西部应用科学大学（瓦莱州））
针对颅骨缺损重建模型跨分布泛化与标注不足问题，本文系统比较从图像配准到潜在扩散模型的重度数据增强方法，显著提升 Dice Score 并验证真实临床缺损重建效果。
2024-06-10 cs.AI cs.CV
Styleclone: Face Stylization with Diffusion Based Data Augmentation
StyleClone通过文本反转和扩散引导图像生成增强有限风格数据集，训练快速图像到图像翻译网络，在多种风格实验中提升风格化质量、保留内容且加速推理，并系统评估了增强技术影响。
2025-08-23 cs.CV
On the Importance of Conditioning for Privacy-Preserving Data Augmentation
University of Augsburg（奥格斯堡大学）
本文揭示以深度图或边缘为条件的潜在扩散模型用于数据匿名化时存在隐私泄露风险，并通过对比学习和黑盒攻击验证其可被用于身份识别。
2025-04-08 cs.CV
Diversify Your Vision Datasets with Automatic Diffusion-Based Augmentation
UC Berkeley（加州大学伯克利分校）
本文提出 ALIA 方法，利用大型视觉和语言模型自动生成领域描述并通过语言引导图像编辑增强训练数据，同时过滤破坏类别信息的编辑，在细粒度分类任务上超越传统增强和文本到图像生成方法。
2023-10-29 cs.AI cs.CV
Stable Diffusion for Data Augmentation in COCO and Weed Datasets
Michigan State University（密歇根州立大学）
本研究针对图像稀疏类小数据集性能提升问题，采用三种基于Stable Diffusion的技术生成合成图像，在COCO和杂草数据集上验证了其增强图像稀疏数据集的潜力，为扩散模型跨领域应用提供基础。
2025-02-22 cs.CV
D-CODA: Diffusion for Coordinated Dual-Arm Data Augmentation
Department of Computer Science, University of Southern California（计算机科学系，南加州大学）
本文提出D-CODA，利用扩散模型为眼在手上双手模仿学习生成视角一致的双臂腕部图像及关节动作标签，并通过约束优化保证接触约束，在仿真与真实任务中验证了其优于基线方法。
2025-08-16 cs.AI cs.CV cs.LG
Controllable and Efficient Multi-Class Pathology Nuclei Data Augmentation using Text-Conditioned Diffusion Models
Korea University（高丽大学）
针对病理细胞核标注数据稀缺问题，提出基于文本条件扩散模型的两阶段框架，实现多类别标签与图像的高效生成，并在多个数据集上验证其有效性。
2024-07-19 cs.CV
HiGFA: Hierarchical Guidance for Fine-grained Data Augmentation with Diffusion Models
HiGFA通过分层引导和动态置信度调节，提升细粒度数据增强的合成图像质量。
2025-12-01 cs.CV
A Residual Diffusion Model for High Perceptual Quality Codec Augmentation
Qualcomm（高通公司）
扩散概率模型最近在生成高质量图像和视频数据方面取得了显着的成功。在这项工作中，我们建立在这一类的生成模型，并介绍了一种高分辨率图像的有损压缩的方法。由此产生的编解码器，我们称之为基于DIffuson的残差增强编解码器（DIRAC），是第一个允许在测试时平滑遍历速率-失真-感知权衡的神经编解码器，同时在感知质量方面获得与基于GAN的方法竞争的性能。此外，虽然从扩散概率模型采样是出了名的昂贵，我们表明，在压缩设置的步骤的数量可以大大减少。
2023-03-29 cs.CV eess.IV
Label-Efficient Data Augmentation with Video Diffusion Models for Guidewire Segmentation in Cardiac Fluoroscopy
United Imaging Intelligence（联影智能）
提出分割引导的帧一致性视频扩散模型（SF-VD），通过独立建模场景与运动分布生成大量带标签透视视频，有效增强导丝分割网络训练数据并显著提升分割性能。
2025-01-27 cs.AI cs.CV
3D-VirtFusion: Synthetic 3D Data Augmentation through Generative Diffusion Models and Controllable Editing
Nanyang Technological University（南洋理工大学）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
本文提出3D-VirtFusion新范式，利用预训练扩散模型和chatGPT生成并编辑2D图像，将其转换为3D对象并随机组合构建虚拟场景，无需真实数据即可生成大量3D标注数据，有效解决少样本学习和长尾类别不平衡问题，提升场景理解能力。
2024-08-25 cs.CV
Brain Network Diffusion-Driven fMRI Connectivity Augmentation for Enhanced Autism Spectrum Disorder Diagnosis
Lehigh University（里海大学）
本文提出基于Transformer的潜在扩散模型生成fMRI功能连接以增强数据，从而提升自闭症谱系障碍诊断性能，并验证了生成质量与特征可解释性。
2024-09-11 cs.CV q-bio.NC
Context-guided Responsible Data Augmentation with Diffusion Models
School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息系统学院）
本文提出 DiffCoRe-Mix，通过上下文约束扩散生成、CLIP 嵌入过滤及像素/块级混合，实现可靠的自然与生成图像协同增强。
2025-03-12 cs.CV
Enhancing Fetal Plane Classification Accuracy with Data Augmentation Using Diffusion Models
School of Engineering and Informatics University of Sussex（工程与信息学院 英国 Sussex 大学）
本文针对超声图像数据稀缺问题，提出利用扩散模型生成合成图像进行数据增强，并通过先合成后真实微调的训练策略提升胎儿平面分类精度。
2025-07-03 cs.CV
Adverse Weather Conditions Augmentation of LiDAR Scenes with Latent Diffusion Models
University of Wuppertal（乌珀塔尔大学）；Aptiv Services Deutschland GmbH（Aptiv Services德国公司）
本文提出基于潜在扩散模型的方法，通过生成模型增强激光雷达场景在恶劣天气下的真实性，提升自动驾驶系统的鲁棒性。
2025-01-03 cs.CV
Generative augmentations for improved cardiac ultrasound segmentation using diffusion models
本研究利用扩散模型生成心脏超声图像增强数据，在不增加标注数据的情况下提升分割模型泛化能力，显著改善外部测试的Hausdorff距离和射血分数估计精度。
2025-02-27 cs.CV eess.IV
Mitigating Illumination-Induced Domain Shift in Night-Time Pedestrian Detection for Intelligent Vehicles using Annotation-Preserving Diffusion Augmentation
本文提出Contrastive-SDXL框架，利用SDXL-Turbo和LoRA微调，通过语义对比损失和对象一致性损失生成逼真夜间图像，提升行人检测性能。
2026-10-07 cs.CV
Cascaded Diffusion Models for High Fidelity Image Generation
Google（谷歌）
我们证明了级联扩散模型能够在类条件ImageNet生成基准上生成高保真图像，而无需辅助图像分类器的任何帮助来提高样本质量。级联扩散模型包括多个扩散模型的流水线，所述多个扩散模型生成分辨率增加的图像，以最低分辨率的标准扩散模型开始，随后是一个或多个超分辨率扩散模型，所述一个或多个超分辨率扩散模型连续地对图像进行上采样并添加更高分辨率的细节。我们发现，级联管道的样本质量依赖于条件增强，我们提出的方法的数据增强的低分辨率条件输入的超分辨率模型。我们的实验表明，条件增强可以防止级联模型中采样过程中的复合误差，帮助我们训练级联管道，在64 x64分辨率下获得1.48的FID分数，在128 x128分辨率下获得3.52的分数，在256 x256分辨率下获得4.88的分数，优于BigGAN-deep，在256 x256下，分类准确率得分为63.02%（前1）和84.06%（前5），优于VQ-VAE-2。
2021-12-17 cs.AI cs.CV cs.LG
Data Augmentation via Latent Diffusion Models for Detecting Smell-Related Objects in Historical Artworks
Pattern Recognition Lab, Friedrich-Alexander Universität Erlangen-Nürnberg, Germany（模式识别实验室，埃尔朗根-纽伦堡 Friedrich-Alexander 大学）
本文研究利用潜在扩散模型生成合成数据来缓解历史艺术品中气味相关物体检测面临的标注稀疏与类别不平衡问题，验证了该方法能提升检测精度，并表明其在小数据场景下有效且具备扩展潜力。
2025-09-18 cs.CV
Diffusion-based Data Augmentation for Skin Disease Classification: Impact Across Original Medical Datasets to Fully Synthetic Images
AIP Labs（AIP实验室）；Semmelweis University（塞麦尔维斯大学）
尽管近年来不断进步，但深度神经网络仍然依赖于大量的训练数据来避免过拟合。然而，由于长期的隐私和严格的数据共享策略，用于诸如医疗保健的真实世界应用的标记的训练数据是有限的并且难以访问。通过在像素或特征空间中操作图像数据集，现有的数据增强技术代表了提高训练数据的数量和多样性的有效途径之一。在这里，我们希望通过建立在文本到图像扩散概率模型在增强我们的宏观皮肤病数据集的训练样本方面的新兴成功来推进增强技术。我们通过输入文本提示来实现对图像生成过程的细粒度控制。我们证明了这种生成数据增强方法即使在完全合成的皮肤病数据集上训练时，也成功地保持了视觉分类器的类似分类精度。与生成模型的最新应用类似，我们的研究表明，扩散模型在生成不牺牲分类器性能的高质量皮肤图像方面确实有效，并且可以在策展后改善训练数据集的增强。
2023-01-12 cs.CV cs.LG eess.IV
Inversion Circle Interpolation: Diffusion-based Image Augmentation for Data-scarce Classification
The Hong Kong University of Science and Technology（香港科技大学）
本文提出Diff-II，一种基于扩散的数据增强方法，通过类别概念学习、反演圆插值和两阶段去噪兼顾保真性与多样性，在少样本、长尾及分布外分类等数据稀缺任务上超越现有方法。
2024-11-21 cs.CV
Semantic Augmentation in Images using Language
Carnegie Mellon University（卡内基梅隆大学）
针对深度学习模型因数据不足易过拟合的问题，提出利用扩散模型生成的图像进行数据增强，并探讨多种策略以提升模型的域外泛化能力。
2025-09-15 cs.AI cs.CV cs.LG
Hyperspectral data augmentation with transformer-based diffusion models
University of Trento（特伦托大学）
提出一种基于引导扩散模型和轻量级Transformer的高光谱数据增强方法，通过改进损失函数和方差调度器，在PRISMA卫星10类森林分类任务中优于其他增强技术。
2025-10-09 cs.CV
Confident Pseudo-labeled Diffusion Augmentation for Canine Cardiomegaly Detection
Katz School of Science and Health, Yeshiva University（叶史瓦大学卡茨科学与健康学院）
针对犬心脏肥大检测中训练数据少、标注质量差且模型泛化性弱的问题，提出结合扩散模型生成合成数据与高置信伪标签筛选的CDA方法，实现了该检测任务的最优准确率。
2025-01-13 cs.CV
When Generative Augmentation Hurts: A Benchmark Study of GAN and Diffusion Models for Bias Correction in AI Classification Systems
College of Engineering, Northeastern University（东北大学工程学院）
本文通过对比三种增强策略，发现生成增强在低数据条件下会增加分类器偏见，Stable Diffusion结合LoRA表现最佳，揭示了GAN增强在特定样本量下的有害性。
2026-03-17 cs.AI cs.CV cs.LG
D4: Text-guided diffusion model-based domain adaptive data augmentation for vineyard shoot detection
Shizuoka University（静冈大学）；Yamaha Motor Co., Ltd.（雅马哈发动机株式会社）
本文提出D4生成式数据增强方法，利用文本引导扩散模型生成适应目标领域的带标注葡萄园嫩梢图像，显著提升BBox与关键点检测性能。
2024-09-06 cs.AI cs.CV cs.LG
Synthetic Data Augmentation using Pre-trained Diffusion Models for Long-tailed Food Image Classification
Korea University（韩国大学）
本文提出一种两阶段合成数据增强框架，利用预训练扩散模型结合正负提示与组合采样策略，提升长尾食物图像分类的类内多样性与类间分离，并在两个基准数据集上取得领先的top-1准确率。
2025-06-02 cs.CV
AtteConDA: Attention-Based Conflict Suppression in Multi-Condition Diffusion Models and Synthetic Data Augmentation
Gunma University（群马大学）
本文提出AtteConDA方法，通过多条件生成模型处理图像生成中的条件冲突，提升结构保持能力，并建立驾驶任务的生成框架和评估协议，缓解高阶自动驾驶任务的数据稀缺问题。
2026-05-10 cs.AI cs.CV
Prompt-Free Conditional Diffusion for Multi-object Image Augmentation
Northwestern Polytechnical University（西北工业大学）；Xi’an University of Posts & Telecommunications（西安邮电大学）
提出无提示条件扩散框架，通过局部-全局语义融合和计数损失，解决多目标图像增强中的类别与数量偏差，提升多样性及下游任务性能。
2025-07-08 cs.CV
DifAugGAN: A Practical Diffusion-style Data Augmentation for GAN-based Single Image Super-resolution
Northwestern Polytechnical University（西北工业大学）；Korea Advanced Institute of Science Technology（韩国科学技术院）
DifAugGAN提出一种扩散式数据增强方案，通过改善判别器校准来减少GAN超分辨率中的伪影失真，可即插即用地提升现有GAN-SISR方法的性能。
2023-11-30 cs.CV eess.IV
DreamDA: Generative Data Augmentation with Diffusion Models
The University of Hong Kong（香港大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
DreamDA提出一种基于扩散模型的生成式数据增强框架，通过扰动反向扩散过程生成多样样本并引入自训练生成伪标签，在多个数据集上显著提升分类性能。
2024-03-19 cs.CV
Semantic-Guided Generative Image Augmentation Method with Diffusion Models for Image Classification
Harbin Institute of Technology（哈尔滨工业大学）
针对图像增强中多样性与语义一致性难以兼顾的问题，提出 SGID，利用扩散模型并以标签和描述引导生成增强图像，在多种骨干网络上提升分类性能。
2024-01-18 cs.CV cs.LG
D-Feat Occlusions: Diffusion Features for Robustness to Partial Visual Occlusions in Object Recognition
Georgetown University（乔治城大学）；Google（谷歌公司）；Boston University（波士顿大学）
本文提出利用冻结扩散模型的扩散特征，通过图像修复式输入增强和中间扩散特征增强，提升Transformer和ConvNet在ImageNet及真实遮挡数据上的目标识别遮挡鲁棒性。
2025-04-11 cs.CV
Mitigating Memorization in Text-to-Image Diffusion via Region-Aware Prompt Augmentation and Multimodal Copy Detection
The University of Western Australia（西澳大学）；The University of Melbourne（墨尔本大学）；Curtin University（科廷大学）
本文提出区域感知提示增强和多模态复制检测方法，通过增强提示多样性与检测复制行为，提升文本到图像扩散模型的生成质量与安全性。
2026-03-13 cs.CV
GeNIe: Generative Hard Negative Images Through Diffusion
University of California, Davis（加州大学戴维斯分校）；Delft University of Technology（代尔夫特理工大学）；Shell Global Solutions International B.V.（壳牌全球解决方案国际有限公司）
GeNIe利用潜在扩散模型结合源图像与目标文本生成困难负样本，并通过自适应噪声调整（GeNIe-Ada）提升少样本和长尾分布下的分类性能。
2024-11-07 cs.CV
Long Tail Image Generation Through Feature Space Augmentation and Iterated Learning
PUC Chile（智利天主教大学）
针对医疗领域长尾数据分布下图像生成的难题，提出利用预训练Stable Diffusion的潜在空间，通过稀疏化嵌入的迭代学习构建可分离空间并结合K-NN混合头尾类样本，有效提升了图像增强效果。
2024-05-02 cs.AI cs.CV
AugGen: Synthetic Augmentation using Diffusion Models Can Improve Recognition
EPFL（苏黎世联邦理工学院）；Idiap（日内瓦人工智能研究所）；UNIL（日内瓦大学）
本文提出AugGen，一种自包含的合成增强方法，利用仅在目标人脸识别数据集上训练的分类条件扩散模型生成数据，在8个基准上实现1-12%的性能提升，优于真实数据训练和现有合成方法，并缓解隐私问题。
2025-10-24 cs.CV
Improving Combined Detection and Classification of TEM Defects via Mask-Conditioned Latent Diffusion Augmentation
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；University of Michigan-Ann Arbor（密歇根大学安娜堡分校）
提出一种基于掩码条件潜在扩散模型（LDM）的生成式数据增强方法，用于合成可控、自动标注的多类缺陷掩码的TEM图像，以提升小样本下Mask R-CNN模型的缺陷检测与分类性能。
2026-06-01 cs.CV
Gen-SIS: Generative Self-augmentation Improves Self-supervised Learning
Stony Brook University（石溪大学）；Argonne National Laboratory（阿贡国家实验室）；University of Chicago（芝加哥大学）
本文提出 Gen-SIS，仅用无标签图像训练条件扩散模型生成自增强视图，并结合潜空间插值解耦预文本任务，提升自然图像与组织病理学下游任务中的 SSL 表现。
2024-12-02 cs.CV
DALDA: Data Augmentation Leveraging Diffusion Model and LLM with Adaptive Guidance Scaling
Pukyong National University（釜山国立大学）；Teamreboott Inc.（Teamreboott公司）；Tomocube Inc.（Tomocube公司）
提出DALDA数据增强框架，结合LLM和扩散模型，通过动态调整引导权重控制多样性，在少样本场景下生成语义丰富且符合目标分布的合成图像。
2024-09-25 cs.CV
DiffuseMix: Label-Preserving Data Augmentation with Diffusion Models
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Information Technology University, Punjab（旁遮普信息技术大学）
提出DiffuseMix，利用扩散模型和定制提示重塑图像，结合分形模式混合，在七个数据集上优于现有方法，提升分类、微调、数据稀缺和对抗鲁棒性。
2024-04-05 cs.CV
Preserve the Hard, Regenerate the Rest: Uncertainty-Guided Synthetic Training Data Augmentation with Diffusion Models
XITASO GmbH（XITASO 有限公司）；Zuse School of Excellence in Reliable AI（Zuse 卓越可靠人工智能学院）；Technische Hochschule Ingolstadt（因戈尔施塔特应用技术大学）；Technische Hochschule Augsburg（奥格斯堡应用技术大学）
针对语义分割中数据稀疏和区域多样性问题，提出不确定性引导的上下文增强策略，通过预测熵识别不确定区域并仅修复上下文，在保持标签有效性的同时最大化像素信息量，在Cityscapes等数据集上显著提升mIoU。
2026-07-01 cs.AI cs.CV cs.LG
Exploring Diffusion Transformers for Cross-Modal Augmentation in Multimodal Brain State Decoding
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）
提出CoMA-DiT，一种双向跨模态扩散变换器，通过将配对模态作为生成监督源进行潜在增强，在多模态脑状态解码中显著提升准确率和宏F1，优于20个基线。
2026-09-11 cs.AI
FAGStyle: Feature Augmentation on Geodesic Surface for Zero-shot Text-guided Diffusion Image Style Transfer
School of Computer Engineering and Science, Shanghai University（上海大学计算机工程与科学学院）；Key Laboratory of Silicate Cultural Relics Conservation (Shanghai University), Ministry of Education（教育部硅酸盐文物保护重点实验室（上海大学））
FAGStyle提出零样本文本引导扩散图像风格迁移方法，通过滑动窗口裁剪、测地曲面特征增强和预形状自相关损失，实现风格一致性与内容保持，性能优于现有方法。
2024-08-21 cs.CV
Geospatial Diffusion-based Evolution Synthesis (GeoDES) for Storm-Centered Weather Augmentation
研究针对机器学习天气模型预测风暴结构难题，提出基于地理空间扩散的演化合成（GeoDES）模型，该模型能合成高保真天气事件，经评估在关键指标上优于先前方法，可用于测试预测模型和扩展气象数据集。
2026-07-23 cs.CV cs.LG
CLIP4Sketch: Enhancing Sketch to Mugshot Matching through Dataset Augmentation using Diffusion Models
IIIT-Hyderabad（印度信息技术研究所海得拉巴分校）；Michigan State University（密歇根州立大学）
提出 CLIP4Sketch 方法，利用扩散模型结合 CLIP 和 Adaface 嵌入生成受控素描数据集，显著提升了法医素描与大头照匹配的准确率，并优于 GAN 方法。
2024-08-13 cs.CV
Diffusion-based Image Generation for In-distribution Data Augmentation in Surface Defect Detection
University of Verona（维罗纳大学）；Department of Engineering for Innovation Medicine（创新医学工程学院）
提出In&Out方法，利用扩散模型生成分布内缺陷数据并与分布外数据混合，在零样本、少样本和全样本设置下增强表面缺陷检测，在Kolektor Surface-Defect Dataset 2上达到.782的AP分数。
2024-06-01 cs.CV cs.LG
