IEEE TII上有一篇基于扩散模型的数据增强方法有点意思，在故障诊断领域相当新颖有效。它属于数据增强当前最火热的创新思路之一：基于大模型的语义增强。

除此以外，数据增强目前还有不少性价比很高的思路，比如增强数据的质量控制与偏差修正、面向特定模态与任务的定制化增强、XAI驱动的精准增强等，都值得论文er一探。

为帮助想发论文的同学快速了解技术进展，我整理了15篇数据增强前沿论文，包含CVPR/AAAI等顶会顶刊成果，非常有参考性，相关的开源代码也整理了，方便大家复现。

全部论文+开源代码需要的同学看文末

A Novel Data Augmentation Method Based on Denoising Diffusion Probabilistic Model for Fault Diagnosis Under Imbalanced Data

方法：本文提出了一种基于去噪扩散概率模型的数据增强方法，用于解决故障诊断中的数据不平衡问题。该方法通过物理模拟生成样本，避免了GAN训练的不稳定性，增强了样本的真实性和多样性。

创新点：

• 提出了一种基于扩散模型的数据增强新方法，通过物理模拟而非对抗训练生成样本，避免了GAN训练的不稳定性。

• 设计了一个综合评估框架，从数据分布拟合、样本多样性和诊断准确率等多个维度全面评估数据增强模型。

• 在开源数据集和实际测试平台上验证了该方法，结果表明其在样本质量和故障诊断性能上优于现有技术。

DIFFUSEMIX: Label-Preserving Data Augmentation with Diffusion Models

方法：论文介绍了一种名为DiffuseMix的数据增强方法，它通过扩散模型生成与原图相关的图像，再将原图和生成图像拼接并混合分形图像，增加样本多样性，提升模型在分类和对抗攻击等任务上的性能。

创新点：

• 提出DiffuseMix数据增强方法，结合扩散模型和文本提示生成与原图语义相关的图像。

• 将原图与生成图像拼接，再与分形图像混合，增加样本多样性和结构复杂性。

• 在多个数据集和任务上验证，DiffuseMix优于现有数据增强技术，提升模型性能。

AeroGen: Enhancing Remote Sensing Object Detection with Diffusion-Driven Data Generation

方法：论文介绍了一种名为AeroGen的模型，它利用扩散模型生成符合特定布局要求的高质量遥感图像，用于增强目标检测。AeroGen结合文本提示和布局条件，生成多样化的图像，并通过过滤机制筛选高质量图像，从而提升目标检测模型的性能。

创新点：

• 提出AeroGen模型，首次支持水平和旋转边界框条件生成，可生成符合特定布局和类别的高质量遥感图像。

• 设计端到端数据增强框架，结合多样性条件生成器和过滤机制，提升生成数据的多样性和质量。

• 实验证明，AeroGen生成的合成数据能显著提高遥感图像目标检测模型的性能，尤其在稀有类别上效果显著。

Data Augmentation for Object Detection via Controllable Diffusion Models

方法：论文提出了一种基于可控扩散模型和CLIP的数据增强方法，用于提升对象检测任务的性能。该方法通过生成视觉先验来控制合成数据的生成，并利用类别校准的CLIP分数进行后过滤，以确保合成图像的质量和类别一致性。

创新点：

• 提出一种基于可控扩散模型和CLIP的对象检测数据增强方法，通过视觉先验和文本提示生成高质量合成图像。

• 引入类别校准的CLIP分数进行后过滤，确保合成图像与类别一致性，提升数据质量。

• 在MSCOCO、PASCAL VOC和下游数据集上验证，显著提高对象检测模型的性能，尤其在少样本设置下效果显著。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“222”获取全部方案+开源代码

码字不易，欢迎大家点赞评论收藏