重新思考文本到图像作为室内场景识别的语义感知数据增强
Rethinking Text-to-Image as Semantic-Aware Data Augmentation for Indoor Scene Recognition
AI总结：
针对室内图像数据不足，提出利用稳定扩散生成合成图像进行数据增强，并通过扩散重建误差防止滥用，在MIT室内场景数据集上验证了有效性。
摘要：
在计算机视觉领域，室内图像识别由于光照条件、遮挡以及有限空间内多样化物体排列的复杂相互作用而面临挑战。为了解决训练室内图像缺乏的问题，我们引入了一种新颖的方法，利用稳定扩散（SD）生成合成图像，作为强大的数据增强工具。SD的使用提供了一个原则性框架，用于合成多样且逼真的室内场景，从而丰富训练数据池，以构建鲁棒的室内图像识别模型。在MIT室内场景数据集上的实验结果表明，当真实数据有限时，我们提出的方法在增强深度模型训练方面具有潜力。此外，为了防止SD合成图像的滥用，我们引入了一种基于扩散重建误差（DIRE）的应对措施。强大的DIRE表示使得仅使用轻量级深度模型就能训练鲁棒的分类器。实验表明，我们的方法能够完美识别SD生成的图像，使用MobilenetV3的准确率达到100%。
英文摘要：
In the realm of computer vision, indoor image recognition presents challenges due to the intricate interplay of lighting conditions, occlusions, and diverse object arrangements within confined spaces. To address the lacks of training indoor images, we introduce a novel approach leveraging Stable Diffusion (SD) for the generation of synthetic images, which serve as a powerful data augmentation tool. The utilization of SD offers a principled framework for synthesizing diverse and realistic indoor scenes, thereby enriching the training data pool for robust indoor image recognition models. Experimental findings on the MIT Indoor Scene dataset reveal the potential of our proposed approach in enhancing the training of deep models when authentic data is limited. Furthermore, to prevent the misuse of SD synthetic images, we introduce a counter measure based on DIffusion Reconstruction Error (DIRE). The powerful DIRE presentation enables training robust classifiers only using lightweight deep models. Experiments show that our approach can perfectly recognize SD generated images with the accuracy of 100% using MobilenetV3.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
