A Pressure Ulcer Care System For Remote Medical Assistance: Residual U-Net with an Attention Model Based for Wound Area Segmentation
University of Dongguk（东国大学）；Dongguk University Ilsan Hospital（东国大学一山医院）
越来越多的残疾患者或行动不便的老年人经常患有压疮。受影响的地区需要定期检查，但他们很难进入医院。一些远程诊断系统正被用于他们，但在定期检查病人的状态有局限性。在本文中，我们提出了一个远程医疗助理，可以帮助压疮管理与图像处理技术。所提出的系统包括具有用于伤口分割和分析的深度学习模型的移动应用程序。由于没有足够的数据来训练深度学习模型，我们使用来自相关领域的预训练模型和适合此任务的数据增强。首先，使用双线性插值的图像预处理方法来调整图像的大小和归一化图像。其次，对于数据增强，我们使用旋转，反射和分水岭算法。第三，我们使用一个预训练的深度学习模型，该模型是从类似于压疮图像的皮肤伤口图像生成的。最后，我们添加了一个注意力模块，可以提供有关压疮图像特征的提示。由此产生的模型提供了99.0%的准确性，99.99%的交集（IoU），和骰子相似系数（DSC）为93.4%的压疮分割，这是优于现有的结果。
2021-04-15 cs.CV eess.IV
Simulation-Aided Deep Learning for Laser Ultrasonic Visualization Testing
Gunma University（群马大学）
针对激光超声可视化检测图像数据稀缺问题，本文提出仿真生成加风格迁移的数据增强方法，实验证明其比直接使用原始仿真图像更能提升缺陷预测性能。
2023-05-30 cs.CV cs.LG eess.IV
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
USegMix: Unsupervised Segment Mix for Efficient Data Augmentation in Pathology Images
School of Electrical Engineering, Korea University（高丽大学电气工程学院）
USegMix是一种无监督分割混合的数据增强方法，利用超像素和SAM构建片段池，并通过扩散模型融合生成多样病理图像，提升结直肠癌和前列腺癌分类性能。
2025-02-22 cs.CV
Enhancing weed detection performance by means of GenAI-based image augmentation
University of Hohenheim（霍恩海姆大学）
针对精准杂草管理中高质量标注训练数据稀缺的问题，本文提出基于Stable Diffusion模型的生成式AI图像增强技术，提升杂草检测模型训练数据集的数量和质量，实验表明该技术能显著提高YOLO模型的检测性能。
2024-11-28 cs.CV
Lesion Conditional Image Generation for Improved Segmentation of Intracranial Hemorrhage from CT Images
CAIDE Systems Inc.（CAIDE系统公司）
数据增强可以有效地解决训练机器学习算法时图像稀缺的问题。它可以使它们对看不见的图像更加鲁棒。我们提出了一个病变条件生成对抗网络LcGAN生成合成计算机断层扫描（CT）图像的数据增强。病变条件图像（分割掩模）是训练期间LcGAN的生成器和ADC的输入。经训练的模型基于输入掩模生成上下文CT图像。我们通过使用全卷积网络（FCN）得分和模糊度来量化图像的质量。我们还训练另一个分类网络来选择更好的合成图像。然后将这些合成CT图像增强到我们的出血性病变分割网络中。在原始数据的2.5%、10%和25%上应用这种增强方法，分割效果分别提高了12.8%、6%和1.6%。
2020-03-30 cs.CV cs.LG eess.IV
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
Synthetic Data Augmentation for Satellite-Based Analysis of Battle-Damaged Agricultural Fields in Ukraine
Ukrainian Catholic University（乌克兰天主教大学）
本研究针对乌克兰受损农田卫星分析的标注数据稀缺问题，采用类别条件GAN与DDPM生成合成农田样本，结合真实数据训练视觉Transformer，使分类性能显著提升，验证了合成卫星图像在数据稀缺地理空间应用的潜力。
2026-08-18 cs.AI cs.CV
Dual-Attention U-Net++ with Class-Specific Ensembles and Bayesian Hyperparameter Optimization for Precise Wound and Scale Marker Segmentation
IDEAS NCBR
提出双注意力 U-Net++ 架构结合类别特定集成和贝叶斯超参数优化，解决医学图像分割中类别不平衡问题，在 NBC 2025 竞赛数据集上 F1 达 0.8640。
2025-07-07 cs.AI cs.CV cs.LG
Multimodal AI on Wound Images and Clinical Notes for Home Patient Referral
Worcester Polytechnic Institute（伍斯特理工学院）
针对居家慢性伤口患者转诊决策问题，提出DM-WAT框架，融合伤口图像与临床笔记的多模态特征，结合数据增强与迁移学习，实现高准确率与可解释性。
2025-01-22 cs.CV cs.LG eess.IV
Infection-Reasoner: A Compact Vision-Language Model for Wound Infection Classification with Evidence-Grounded Clinical Reasoning
Worcester Polytechnic Institute（沃斯特理工学院）；UMass Chan Medical School（UMass Chan医学院）
本文提出Infection-Reasoner，一种紧凑的视觉-语言模型，通过两阶段训练提升伤口感染分类和推理生成的准确性与解释性，实验结果显示其在分类和推理质量上优于现有方法。
2026-04-21 cs.AI cs.CV
WoundAmbit: Bridging State-of-the-Art Semantic Segmentation and Real-World Wound Care
本文提出AI驱动的伤口大小估计框架WoundAmbit，通过基准测试多种深度学习模型并评估真实世界部署指标，结合基于参考对象的方法实现临床相关的伤口大小估计，并集成至远程医疗系统。
2026-10-12 cs.AI cs.CV
Patch Stitching Data Augmentation for Cancer Classification in Pathology Images
School of Electrical Engineering, Korea University（高丽大学电气工程学院）
本文提出一种补丁拼接数据增强方法，从现有病理图像生成新图像以丰富数据集，在结直肠癌数据集上提升分类性能，缓解数据稀缺与不平衡问题。
2025-02-22 cs.CV eess.IV
Diffusion-based Data Augmentation and Knowledge Distillation with Generated Soft Labels Solving Data Scarcity Problems of SAR Oil Spill Segmentation
Korea Advanced Institute of Science and Technology（韩国科学技术院）；Kyungpook National University（庆北国立大学）
针对SAR溢油分割标注稀缺问题，提出DAKTer扩散增强策略，联合生成SAR图像与对齐软标签并引入SNR平衡因子，显著提升多种分割模型性能。
2025-03-18 cs.CV cs.LG
Automatic Foot Ulcer Segmentation Using an Ensemble of Convolutional Neural Networks
Medical University of Vienna（维也纳医科大学）；Loughborough University（拉夫堡大学）；TissueGnostics GmbH（TissueGnostics有限公司）
足部溃疡是糖尿病的常见并发症，与高发病率和死亡率相关，仍然是小腿截肢的主要危险因素。从足部伤口中提取准确的形态特征对于适当的治疗至关重要。虽然医学专业人员的视觉检查是常见的诊断方法，但这是主观的且容易出错，因此计算机辅助方法提供了一种有趣的替代方案。基于深度学习的方法，特别是卷积神经网络（CNN），在医学图像分析（包括医学图像分割）的各种任务中表现出了出色的性能。在本文中，我们提出了一种集成方法的基础上，两个基于编码器-解码器的CNN模型，即LinkNet和U-Net，进行足部溃疡分割。为了处理有限数量的可用训练样本，我们使用预训练的权重（LinkNet模型的EfficientNetB 1和U-Net模型的EfficientNetB 2），并使用Medetec数据集进行进一步的预训练，同时还应用了一些基于形态和基于颜色的增强技术。为了提高分割性能，我们结合了五重交叉验证，测试时间增强和结果融合。应用于公开的慢性伤口数据集和MICCAI 2021足部溃疡分割（FUSeg）挑战，我们的方法实现了最先进的性能，基于数据的Dice得分分别为92.07%和88.80%，是FUSeg挑战排行榜中排名第一的方法。Dockerised指南，推理代码和保存的训练模型可在https://github.com/masih4/Foot_Ulcer_Segmentation上公开获取。
2022-06-17 cs.CV eess.IV
Local Gamma Augmentation for Ischemic Stroke Lesion Segmentation on MRI
University of Copenhagen（哥本哈根大学）；Cerebriu A/S（Cerebriu公司）；Rigshospitalet, Copenhagen, Denmark（哥本哈根大学医院）；Pioneer Centre for Artificial Intelligence, University of Copenhagen（哥本哈根大学人工智能先锋中心）
本文提出局部伽马增强技术，通过在病理组织中引入新强度实例来补偿缺血性卒中病灶的强度偏差，并在三个MRI数据集上验证其能提升分割网络的图像级灵敏度。
2024-01-12 cs.CV eess.IV
Complex Layout Classification in the Wild: A Low-Resource Approach with Layout-Preserving Augmentations
School of Computer Science and AI, Tel Aviv University（特拉维夫大学计算机科学与人工智能学院）
针对低资源复杂版面分类问题，提出基于CNN的分类器，采用窄各向异性高斯掩码和反射诱导标签变换等版面保持增强方法，在标注稀缺下显著提升分类性能。
2026-06-17 cs.CV
HSMix: Hard and Soft Mixing Data Augmentation for Medical Image Segmentation
University of the Basque Country（巴斯克大学）；IKERBASQUE（ikerbasque研究所）
HSMix通过硬软混合数据增强技术提升医学图像分割性能，结合同质区域混合与亮度调整，增强数据多样性并保留语义信息。
2025-11-18 cs.CV cs.LG
Semi-Supervised Semantic Depth Estimation using Symbiotic Transformer and NearFarMix Augmentation
BUET（孟加拉国工程技术大学）
针对深度估计中语义数据稀缺、卷积方法感受野受限的问题，提出基于共生Transformer的深度语义共生模块与NearFarMix增强策略，半监督框架在室内外数据集上均取得更优效果。
2023-08-28 cs.CV cs.LG
Deep Convolutional Neural Networks and Data Augmentation for Environmental Sound Classification
New York University（纽约大学）
深度卷积神经网络（CNN）学习区分性频谱-时间模式的能力使其非常适合环境声音分类。然而，标记数据的相对稀缺阻碍了这一系列高容量模型的开发。这项研究有两个主要贡献：首先，我们提出了一个深度卷积神经网络架构的环境声音分类。其次，我们提出使用音频数据增强来克服数据稀缺的问题，并探索不同增强对所提出的CNN架构的性能的影响。结合数据增强，所提出的模型产生国家的最先进的结果，环境声音分类。我们表明，改进的性能源于深度，高容量模型和增强训练集的组合：这种组合优于没有增强的拟议CNN和增强的“浅”字典学习模型。最后，我们研究了每个增强对每个类别的模型的分类精度的影响，并观察到每个类别的精度受到每个增强的不同影响，这表明通过应用类条件数据增强可以进一步提高模型的性能。
2016-11-28 cs.CV cs.LG cs.NE
A Study of Augmentation Methods for Handwritten Stenography Recognition
Uppsala University（乌普萨拉大学）；Centre for Image Analysis（图像分析中心）
速记手写文本识别（HTR）的性能限制因素之一是少量的注释训练数据。为了缓解数据不足的问题，现代HTR方法通常采用数据增强。然而，由于速记脚本的细节，这样的设置可能不直接适用于速记识别。在这项工作中，我们研究了22个经典的增强技术，其中大部分是常用的HTR的其他脚本，如拉丁手写。通过大量的实验，我们确定了一组增强，包括例如包含的随机旋转，移位和缩放范围，这对速记识别的用例是有益的。此外，一些增强方法，导致识别性能下降，被确定。我们的研究结果得到了统计假设检验的支持。提供了到公开可用的数据集和代码库的链接。
2023-03-05 cs.CV
Adults as Augmentations for Children in Facial Emotion Recognition with Contrastive Learning
Centrum Wiskunde & Informatica（荷兰数学与计算机科学研究中心）；University of Trieste（的里雅斯特大学）；Leiden University Medical Center（莱顿大学医学中心）；Delft University of Technology（代尔夫特理工大学）
儿童的情绪识别可以帮助早期识别和干预在癌症治疗等压力情况下出现的心理并发症。尽管深度学习模型越来越多地被采用，但数据稀缺往往是儿科医学的一个问题，包括儿童的面部情绪识别。本文研究了基于数据增强的对比学习在儿童面部情绪识别中克服数据匮乏的应用。我们探索忽略代沟的想法，通过将大量可用的成人数据添加到儿科数据中，以学习更好的表示。我们调查不同的方式，成人面部表情图像可以一起使用的儿童。特别是，我们建议明确纳入每个小批量成人图像作为儿童的增强。在学习方法和训练集大小的$84$组合中，我们发现使用所提出的训练方案的监督对比学习表现最好，达到了通常超过第二最佳方法2%至3%的测试准确度。我们的研究结果表明，成人数据可以被认为是一个有意义的增强儿科数据的识别儿童的情绪面部表情，并开辟了其他应用的对比学习，以改善儿科护理的可能性，通过补充儿童与成人的数据。
2022-02-10 cs.CV cs.NE
Generative Data Augmentation for Vehicle Detection in Aerial Images
Middle East Technical University（中东技术大学）
训练数据的缺乏是需要大量数据的深度网络的突出问题之一。数据增强是一种广泛使用的方法，以增加训练样本的数量及其变化。在本文中，我们专注于提高航空图像中的车辆检测性能，并提出了一种生成增强方法，该方法不需要任何额外的监督，而不是训练数据集中车辆对象的限界框注释。所提出的方法通过允许检测器用更高数量的实例进行训练来提高车辆检测的性能，特别是当训练实例数量有限时。所提出的方法是通用的意义上说，它可以与不同的发电机集成。实验表明，该方法与Pluralistic和DeepFill集成时，平均精度分别提高了25.2%和25.7%。
2020-12-09 cs.CV cs.LG eess.IV
Bag of Tricks for Developing Diabetic Retinopathy Analysis Framework to Overcome Data Scarcity
VUNO Inc.（VUNO公司）
最近，利用超宽光学相干断层扫描血管造影术（UW-OCTA）进行糖尿病视网膜病变（DR）筛查已用于临床实践，以检测早期DR的迹象。然而，由于数据收集的困难和缺乏公共数据集，使用UW-OCTA图像开发基于深度学习的DR分析系统并非易事。由于现实的限制，在小数据集上训练的模型可能会获得低于标准的性能。因此，为了帮助眼科医生减少对模型错误决策的困惑，即使在数据稀缺的情况下，模型也应该是鲁棒的。为了解决上述实际挑战，我们提出了一个全面的实证研究DR分析任务，包括病变分割，图像质量评估，DR分级。对于每个任务，我们通过利用集成学习，数据增强和半监督学习引入了一个强大的训练方案。此外，我们提出了可靠的伪标签，排除不确定的伪标签的基础上模型的置信度得分，以减少噪声伪标签的负面影响。通过利用所提出的方法，我们在糖尿病视网膜病变分析挑战赛中获得了第一名。
2022-10-18 cs.CV cs.LG eess.IV
Point Cloud Augmentation with Weighted Local Transformations
Korea University（高丽大学）；University of Pittsburgh（匹兹堡大学）
尽管点云在3D视觉中的广泛使用，但可用于训练深度神经网络的数据相对有限。虽然数据增强是弥补数据稀缺的标准方法，但在点云文献中对其探索较少。在本文中，我们提出了一个简单而有效的点云增强方法称为PointWOLF。该方法通过以多个锚点为中心的局部加权变换产生平滑变化的非刚性变形。平滑的变形允许多样化和逼真的增强。此外，为了最大限度地减少人工搜索增强的最佳超参数的工作，我们提出了AugTune，它生成所需困难的增强样本，产生目标置信度分数。我们的实验表明，我们的框架一致提高了形状分类和部分分割任务的性能。特别是，通过PointNet++，PointWOLF在使用真实世界的ScanObjectNN数据集进行形状分类时达到了最先进的89.7精度。
2021-10-11 cs.CV
Gait Data Augmentation using Physics-Based Biomechanical Simulation
Kingston University（金斯顿大学）
针对步态分析数据稀缺且常规增强易违反生物力学约束的问题，提出利用物理模拟器OpenSIM合成合理步态序列的增强框架，在多数据集任务中提升分类性能并达SOTA水平。
2023-07-21 cs.CV
Augmentation Pathways Network for Visual Recognition
JD Explore Academy（京东探索研究院）；Harbin Institute of Technology（哈尔滨工业大学）
数据增强实际上有助于视觉识别，特别是在数据稀缺的时候。然而，这样的成功仅限于相当多的轻度增强（例如，随机裁剪、翻转）。由于原始图像和增强图像之间的巨大差距，重度增强要么不稳定，要么在训练过程中显示出不利影响。本文介绍了一种新的网络设计，称为增强路径（AP），以系统地稳定更广泛的增强策略的训练。值得注意的是，AP驯服各种沉重的数据增强和稳定地提高性能，而无需在增强策略中仔细选择。与传统的单一通路不同，增强图像在不同的神经通路中处理。主要途径处理轻的增强，而其他途径则专注于较重的增强。通过以依赖的方式与多条路径交互，骨干网络鲁棒地从增强之间共享的视觉模式中学习，同时抑制了大量增强的副作用。此外，我们将AP扩展到高阶版本的高阶场景，在实际使用中展示了它的鲁棒性和灵活性。ImageNet上的实验结果证明了在更广泛的增强上的兼容性和有效性，同时在推理时消耗更少的参数和更低的计算成本。
2023-03-16 cs.CV
Soft-CP: A Credible and Effective Data Augmentation for Semantic Segmentation of Medical Lesions
Tsinghua University（清华大学）；Peking University Shenzhen Hospital（北京大学深圳医院）
医学数据集通常面临着数据稀缺和数据不平衡的问题。此外，注释大型数据集的医学病变的语义分割是领域知识和耗时的。本文提出了一种新的对象混合方法（简称soft-CP），结合Copy-Paste增强方法对医学病灶进行离线语义分割，保证病灶周围边缘信息的正确性，解决了上述问题。我们证明了该方法的有效性与几个数据集在不同的成像模式。在我们对KiTS 19 [2]数据集的实验中，Soft-CP优于现有的医学病变合成方法。Soft-CP增强在低数据状态（10%的数据）中提供+26.5%DSC的增益，在高数据状态（所有数据）中提供+10.2%DSC的增益。在离线训练数据中，真实图像与合成图像的比率为3：1。
2022-03-20 cs.CV cs.LG eess.IV
SAT: Supervisor Regularization and Animation Augmentation for Two-process Monocular Texture 3D Human Reconstruction
HKUST(GZ)（香港科技大学（广州））
针对单目纹理三维人体重建中的几何歧义与数据稀缺问题，本文提出SAT双流程框架，通过监督器特征正则化融合多种几何先验，并利用在线动画增强扩充训练数据，在两个基准上取得优于现有方法的性能。
2025-08-27 cs.CV
Image augmentation improves few-shot classification performance in plant disease recognition
预计到2050年，世界人口将接近100亿，因此最大限度地减少作物损失和保障粮食安全从未如此重要。机器学习已经被提出作为快速有效地识别作物中的疾病的解决方案。卷积神经网络通常需要大量的注释数据集，而这些注释数据集在需要时是不可用的。收集这些数据是一个漫长而艰巨的过程，涉及手动采摘，成像和注释每一片叶子。我通过探索各种数据增强技术与迁移学习结合使用时的有效性来解决植物图像数据稀缺的问题。我评估了各种数据增强技术单独和组合对ResNet性能的影响。我提出了一种利用一系列不同增强的增强方案，通过多次试验不断提高准确性。我仅使用总共10张种子图像，证明我的增强框架可以将模型准确性提高25%以上。
2022-08-25 cs.CV cs.LG
Unsupervised Neural Sensor Models for Synthetic LiDAR Data Augmentation
Valeo Egypt AI Research（法雷奥埃及人工智能研究院）；Cairo University（开罗大学）
数据稀缺是基于机器学习的感知模块的瓶颈，通常通过使用来自模拟器的合成数据来增强真实数据来解决。车辆感知传感器的现实模型很难以封闭的形式表达，同时，它们需要存在待学习的成对数据。在这项工作中，我们提出了两个无监督的神经传感器模型的基础上不成对的域转换与CycleGAN和神经风格转移技术。我们采用CARLA作为模拟环境来获得模拟的LiDAR点云，以及它们的注释用于数据增强，并且我们使用KITTI数据集作为真实的LiDAR数据集，从中我们学习现实的传感器模型映射。此外，我们提供了一个框架，用于数据增强和评估开发的传感器模型，通过外部对象检测任务评估使用YOLO网络适应于提供定向的边界框激光雷达鸟瞰投影点云。对来自KITTI数据集的看不见的真实LiDAR帧进行评估，使用两种方法进行了不同数量的模拟数据增强，显示出目标检测任务的6%mAP的改进，有利于增强LiDAR点云，该点云与原始模拟LiDAR相比采用了建议的神经传感器模型。
2019-11-24 cs.CV cs.LG eess.IV
Resampling Augmentation for Time Series Contrastive Learning: Application to Remote Sensing
ICube, University of Strasbourg, Strasbourg, France（ICube，斯特拉斯堡大学，法国斯特拉斯堡）
针对遥感时间序列对比学习，提出重采样增强策略，通过上采样并提取不相交子序列生成正样本对，在农业分类基准上优于常见方法，并在S2-Agri100上达到最先进性能。
2025-06-23 cs.CV
Primary Tumor and Inter-Organ Augmentations for Supervised Lymph Node Colon Adenocarcinoma Metastasis Detection
Department of Science and Technology, Linkoping University（林雪平大学科技学院）；Sectra AB（Sectra公司）；Center for Medical Image Science and Visualization, Linkoping University（林雪平大学医学影像科学与可视化中心）
标记数据的稀缺性是开发用于组织病理学应用的准确和强大的基于深度学习的模型的主要瓶颈。由于组织的低肿瘤与非肿瘤比率，该问题对于淋巴结中的转移检测的任务是显著突出的，导致病理学家的劳动和时间密集的注释过程。这项工作探讨了如何增加训练数据的结肠癌转移检测时，有有限的或没有表示的目标域的替代方案。通过对具有有限训练数据可用性的交叉验证实验的详尽研究，我们评估了利用其他组织已有数据的器官间方法和利用原发性肿瘤的器官内方法。这两种方法几乎不需要额外的注释工作。我们的研究结果表明，这些数据增强策略可以有效地提高转移检测的准确性，但最重要的是增加鲁棒性。
2021-09-17 cs.CV cs.LG eess.IV
Iterative Framework For Data Augmentation Of Segmented Fingerprints
Federal University of Technology (UTFPR) Pato Branco, Parana Brazil（联邦技术大学（UTFPR）帕托布兰科，巴西南里维亚州）
针对婴儿指纹数据稀缺问题，提出一种迭代数据增强方法，通过在训练用于提取指纹脊线和谷线的卷积神经网络中引入错误，生成多样化的分割指纹变体，实验证明该方法能有效扩展指纹变异性且保持视觉相似性。
2026-05-29 cs.CV
Semantic Data Augmentation Enhanced Invariant Risk Minimization for Medical Image Domain Generalization
Chengdu Institute of Computer Application, Chinese Academy of Sciences（中国科学院成都计算机应用研究所）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出一种基于语义数据增强的不变风险最小化方法，通过领域导向的增强方向选择器提升医学图像领域泛化性能。
2025-12-10 cs.CV
CrackForward: Context-Aware Severity Stage Crack Synthesis for Data Augmentation
LARIVIA Lab, Department of Computer Science and Engineering（LARIVIA实验室，计算机科学与工程系）
本文提出CrackForward框架，通过结合方向扩展与学习增厚和分叉，生成真实裂缝生长模式，提升裂缝检测性能。
2026-04-21 cs.CV
Breast Cancer Detection in Thermographic Images via Diffusion-Based Augmentation and Nonlinear Feature Fusion
Computer Science Department Center for Translational Research in Neuroimaging（计算机科学系转化神经影像与数据科学中心）
针对热成像数据稀缺问题，提出结合扩散模型增强与非线性特征融合的乳腺癌分类框架，实现98.0%准确率。
2025-09-08 cs.AI cs.CV
Generator-Refiner-Examiner: A Tri-Module Data Augmentation Framework for 3D Human Avatar Learning from Monocular Videos
Nanyang Technological University（南洋理工大学）
针对单目视频中3D人体虚拟形象重建的数据稀缺问题，提出由生成器、精炼器和检验器组成的三模块框架TrioMan，通过姿态和相机扰动生成多样样本、扩散模型精炼质量、注意力机制筛选一致样本，在X-Humans和NeuMan基准上超越现有方法。
2026-05-22 cs.CV
A Simple Data Augmentation Strategy for Text-in-Image Scientific VQA
MBZUAI（穆罕默德·本·拉希德智能研究院）
针对科学视觉问答中图像内文本格式训练数据稀缺的问题，提出通过将图像-文本对合成统一图像的数据增强策略，微调小型多语言模型，在13种语言上取得显著提升。
2025-09-24 cs.CV
Learning-State-Aware Dynamic Generative Data Augmentation on Small-Scale Datasets
Hunan University（湖南大学）
针对小规模图像分类数据稀缺问题，提出LSADA方法，通过构建样本学习状态映射增强强度，采用解耦增强与扩散融合策略，在9个数据集上较SOTA动态GDA方法取得平均2.5%-4.5%的性能提升。
2026-08-20 cs.AI cs.CV
OxML Challenge 2023: Carcinoma classification using data augmentation
Dublin City University（都柏林城市大学）；University of Galway（戈尔韦大学）
针对OXML 2023挑战赛中癌分类数据集小且类别不平衡的问题，提出结合填充数据增强与5个神经网络集成的方法，最终进入挑战赛前三名并获胜。
2024-09-01 cs.CV
Few-Shot Learning with Part Discovery and Augmentation from Unlabeled Images
University of Science and Technology of China（中国科学技术大学）；Center for Research on Intelligent Perception and Computing, NLPR, CASIA（中国科学院自动化研究所模式识别国家重点实验室智能感知与计算研究中心）
少样本学习是一个具有挑战性的任务，因为只有很少的例子，用于识别一个看不见的类。缓解这个问题的一种方法是通过对类似任务的元学习来获得强烈的归纳偏见。在本文中，我们表明，这种归纳偏见可以从一个平面的未标记的图像集合中学习，并实例化为可见和不可见类之间的可转移表示。具体来说，我们提出了一种新的基于部分的自监督表示学习计划，学习可转移的表示，通过最大限度地提高图像的相似性，其歧视性的一部分。为了缓解数据稀缺导致的Few-Shot分类中的过拟合，我们进一步提出了一种部分增强策略，通过从基础数据集中检索额外的图像。我们对miniImageNet和tieredImageNet基准进行了系统的研究。值得注意的是，我们的方法产生了令人印象深刻的结果，在5路1次和5路5次设置下，比以前最好的无监督方法分别高出7.74%和9.24%，这与最先进的监督方法相当。
2021-05-25 cs.CV
Scaling Human Activity Recognition: A Comparative Evaluation of Synthetic Data Generation and Augmentation Techniques
Georgia Institute of Technology（佐治亚理工学院）
针对人体活动识别标注数据稀缺的问题，对比基于视频、基于语言的虚拟IMU生成方法与传统数据增强技术，验证了虚拟IMU数据的性能优势并给出选型指导。
2025-06-13 cs.CV
Re-mixing Embeddings for Patient Augmentation in Data Scarce Multiple Instance Learning
Computational Health Center & Helmholtz AI, Helmholtz Munich（计算健康中心与亥姆霍兹AI，亥姆霍兹慕尼黑）；Computer Aided Medical Procedures, Technical University of Munich（计算机辅助医疗程序，慕尼黑工业大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；Department of Medicine III, Ludwig Maximilian University Hospital（路德维希·马克西米利安大学医院第三内科）；Department of Physics, Ludwig-Maximilians-Universität München（慕尼黑路德维希-马克西米利安大学物理系）；DKTK, German Cancer Consortium, partner site Munich（德国癌症联盟DKTK，慕尼黑合作站点）
提出一种基于高斯混合模型的患者增强方法，在嵌入空间生成逼真患者，解决医学多实例学习中的数据稀缺问题，在跨数据集迁移、低数据和非图像任务中提升性能。
2026-06-25 cs.CV cs.LG
Detecting Methane Plumes using PRISMA: Deep Learning Model and Data Augmentation
Kayrros SAS（Kayrros公司）；ENS Paris-Saclay（巴黎萨克雷高等师范学院）；University of Reims Champagne Ardenne（兰斯香槟阿登大学）；CNRS（法国国家科学研究中心）；Ecole Normale Supérieure（巴黎高等师范学院）
新一代高光谱成像仪，如PRISMA，大大提高了我们在高空间分辨率（30米）下对甲烷（CH 4）羽流的探测能力。我们在这里提出了一个完整的框架来识别CH 4羽流使用PRISMA卫星任务的图像和一个深度学习模型能够检测大面积的羽流。为了弥补PRISMA图像的相对稀缺性，我们通过将高分辨率羽流从Sentinel-2转移到PRISMA来训练我们的模型。因此，我们的方法通过生成广泛而现实的训练数据库，避免了从大涡模拟中生成计算昂贵的合成羽流，并为使用未来的高光谱传感器（EnMAP，EMIT，CarbonMapper）大规模检测甲烷羽流铺平了道路。
2022-11-17 cs.AI cs.CV cs.LG
Diffusion-Based Data Augmentation for Image Recognition: A Systematic Analysis and Evaluation
本文提出UniDiffDA框架，系统分析DiffDA方法的三个核心组件，通过全面评估揭示不同策略的优劣，提供可复现的代码和配置以促进研究。
2026-03-09 cs.CV
A Closer Look at Data Augmentation Strategies for Finetuning-Based Low/Few-Shot Object Detection
Kingston University（金斯顿大学）；MetaMind Innovations P.C.（MetaMind创新有限公司）；University of Western Macedonia（西马其顿大学）；Sidroco Holdings Ltd.（锡德罗科控股有限公司）
本文实证研究了低/少样本目标检测中数据增强策略的性能与能源效率，发现性能提升常被能耗增加抵消，需开发更节能策略。
2024-08-20 cs.AI cs.CV cs.LG
PoseAugment: Generative Human Pose Data Augmentation with Physical Plausibility for IMU-based Motion Capture
Tsinghua University（清华大学）；Qinghai University（青海大学）
提出PoseAugment流水线，结合基于VAE的姿态生成与物理优化，合成高质量IMU数据，有效缓解基于IMU动作捕捉的数据稀缺问题并提升模型精度。
2024-09-21 cs.CV cs.HC
SafeAug: Safety-Critical Driving Data Augmentation from Naturalistic Datasets
Columbia University（哥伦比亚大学）；Data Science Institute（数据科学研究所）
提出 SafeAug 框架，结合 YOLOv5、深度估计与三维变换从自然驾驶数据生成高真实性安全关键场景，实验证明其优于 SMOGN 和重要性采样。
2025-01-03 cs.CV cs.LG
Building Manufacturing Deep Learning Models with Minimal and Imbalanced Training Data Using Domain Adaptation and Data Augmentation
Purdue University（普渡大学）；National Taiwan University（台湾大学）
本文提出一种域适应与自编码器数据增强相结合的方法，在标注样本极少且类别不平衡的条件下实现晶圆缺陷检测，实验证明其性能优于其他算法。
2023-05-31 cs.CV cs.LG
