← 博客

扩散模型合成图像用于数据增强的研究脉络与方法比较

MaybeRichard · 2026年11月18日
TL;DR 综述把合成图像增广拆成三条可交叉的轴线。主任务决定评价指标,数据条件决定生成缺口,方法阶段决定生成器如何接入训练流程。

1. 范围和读法

Zotero 中「合成图像用于数据增强」当前子树有 170 篇候选记录,Diffusion Model 子树有 219 篇更广义的扩散模型记录。本综述只纳入 83 条与图像合成增广直接相关的证据,其中 81 篇已读取本地 PDF,2 篇暂时只有题目、摘要或出版页面。参考文献列表共 89 条,包含 6 条背景文献和 83 条主体记录。

本版按此前质量筛选规则将 Sensors 2026 的 Propose-and-Select,以及此前明确排除的 ADuLTS、Synthetic Imagery 和 Triple-Prompt,均移出核心综述统计,条目仍可在 Zotero 中保留。

主任务使用单一归属,避免把同一篇论文重复计入任务总数。数据条件和方法阶段是交叉索引,因此它们的统计数不能相加为 83。WILD-Diffusion 和 Sketch2CT 保留在综述证据中,但分别归入生成模型基础与训练、医学与三维领域,不强行放入下游增广任务比较。

83 条综述证据的三轴分类

任务统计按主任务计算;数据条件和方法阶段允许交叉归属。图中不代表 Zotero 全库 170 篇候选记录。

2. 发展脉络

2.1 2023:从生成图像走向生成训练数据

Azizi 等人的工作把类条件扩散模型用于 ImageNet 数据生成,证明合成图像能够支持分类器训练。GIF 将问题表述为 dataset expansion,用少量真实图像引导 DALL-E 2 或 Stable Diffusion 生成新的带标签样本,同时指出 synthetic-only 仍然不如同规模真实数据。

DiffuMask 和 DatasetDM 将数据增广对象从图像扩展到图像与感知标注。DiffuMask 观察文本条件扩散中的 cross-attention,利用它自动得到像素级语义掩码。DatasetDM 在扩散模型的 latent 上加入感知解码器,可以生成图像、语义分割、实例分割和深度等配对数据。论文报告的代表性结果是 VOC 语义分割提升 13.3 个 mIoU,COCO 实例分割提升 12.1 个 AP。StableRep 则把合成数据用于视觉表示学习,将同一个文本提示生成的多个图像作为正样本进行多正例对比学习。

2.2 2024:控制保真度、多样性和少样本适配

DA-Fusion 从真实图像编辑起点开展数据增广,起点位于真实图像而非纯噪声,使用文本变化描述控制颜色、材质和场景变化。这样可以更好地保留原图结构,也能处理预训练模型没有直接见过的概念。

DiffuseMix 使用条件提示重塑输入图像,再通过拼接和分形混合构造数据增广结果。Diff-Mix 进一步利用跨类别图像插值增加变化,明确处理 faithfulness 与 diversity 的平衡。DataDream 用少量真实样本对文本编码器和 U-Net 做 LoRA 微调,分别提供全数据集和逐类别的适配方式。它说明在 few-shot 条件下,轻量适配可以明显缩小生成分布和目标分布之间的差距。

这一阶段还出现了两条并行路线。DiffAug 研究 diffuse-and-denoise 数据增广对鲁棒分类的作用,SynCLR 和 StableRep 把重点放在合成数据训练视觉表示。扩散模型开始从下游训练集的“附加样本生成器”变成预训练数据源。

2.3 2025—2026:任务感知、长尾和医学场景

Diff-II 把扩散反演后的潜变量放在一个插值圆上,通过两阶段去噪同时提高生成样本的保真度和多样性。MRCA 让实例分割器反过来指导扩散模型,多轮生成模型不确定的对象,并按类别预算把对象放回真实图像。DBG 则围绕决策边界生成样本,并用分类器清洗有害样本。CORAL 发现长尾类别在 U-Net latent 中可能与头部类别重叠,于是用对比正则化解耦类别表示。DAR-GDA 通过蒸馏、对抗对齐和重要性重加权同时解决采样效率和分布偏移。

医疗和稠密预测工作更加关注结构一致性。MatchMask 从少量语义掩码生成图像—掩码对,用 Gradient Probe 找到关键层,再用轻量适配器和相对过滤抑制错误区域。MRGen 以文本和掩码共同控制 MRI 生成,服务于缺少标注的模态。Dual-Stream Diffusion 将结构流和外观流分开去噪,再用时间门控融合。Polyp-LDM、DiDGen、DiffAtlas、医学 DiffAug 和 MRGen 都把图像质量和下游分割效果同时作为评价目标。

2026 年的一个重要变化是评测开始系统化。UniDiffDA 将方法拆成模型微调、样本生成和样本利用三个阶段,在通用、细粒度、长尾、跨域和医学分类上重新实现多个方法。结论呈现出明显的任务依赖性,三阶段组合与目标任务共同决定结果。这个视角比单一榜单更适合解释论文之间为何会得到不同结论。

3. 按下游任务

本综述的主任务归属采用单一主类,数据条件和方法阶段作为交叉索引。83 条证据中,分类 39 条、目标检测 2 条、分割与稠密预测 24 条、表征学习 2 条、数据集蒸馏 8 条、综述与评测 6 条,以及 WILD-Diffusion、Sketch2CT 两条生成器与领域基础记录。

3.1 分类

分类论文覆盖从冻结生成器提示到领域适配、任务反馈和生成后筛选。Synthetic Data from Diffusion Models、GIF、StableRep、SynCLR 和 Fake It Till You Make It 说明,类别提示可以快速扩大覆盖,但细粒度类别容易受到背景捷径和提示偏差影响。DA-Fusion、DiffuseMix、Diff-Mix、DataDream、DIAGen、AugGen、BOB、ChimeraLoRA、LoFT 和 1S-DAug 分别从真实图像编辑、跨类别混合、LoRA 适配、上下文建模和少样本控制等方面提高类内变化与分布贴合度。Synthetic Data from Diffusion Models、GIF、StableRep、SynCLR、Fake It Till You Make It、DA-Fusion、DiffuseMix、Diff-Mix、DataDream、DIAGen、BOB、ChimeraLoRA、LoFT、1S-DAug

分类任务中的改进通常来自更合适的样本,而不是简单增加合成数量。TADA 只扩增训练早期没有学到的样本,C2I 根据分类梯度构造目标,Post-Generation Curation 和 BRIDGE 则在生成后寻找更有用或欠表示的样本。TADA、C2I、Post-Generation Curation、BRIDGE

3.2 目标检测

检测方向的证据数量较少,但方法阶段更加清晰。S3OD 面向显著目标检测的跨域泛化,Free-Lunch 处理跨域少样本目标检测,Tail-SD 用布局指令控制长尾目标生成,冠脉狭窄检测工作则把用户反馈直接接入增广过程。检测任务不能只看生成图像的视觉质量,还要检查目标位置、尺度、遮挡和框标注的一致性。S3OD、Free-Lunch、Tail-SD、Diffusion-Based User-Guided Data Augmentation for Coronary Stenosis Detection

3.3 分割与稠密预测

分割与稠密预测要求图像和 mask、layout、depth 等标注保持同步。DiffuMask 从 cross-attention 中提取像素级掩码,DatasetDM 用感知解码器生成图像和多种标注,MatchMask、MRGen、Dual-Stream Diffusion、Polyp-LDM、DiDGen、DiffAtlas 和 EBIS 进一步处理医学图像中的结构一致性、模态稀缺和边界质量。DiffuMask、DatasetDM、MatchMask、MRGen、Dual-Stream Diffusion、Polyp-LDM、DiDGen、DiffAtlas、EBIS

医学分割的主要瓶颈不是生成图像是否逼真,而是病灶形状、边界和标注是否可信。D3S2、S²-RL 和 MRCA 还把分割模型反馈或数据集蒸馏纳入训练数据构造。D3S2、S²-RL、MRCA

3.4 表征学习

StableRep、SynCLR、Fake It Till You Make It 和 Scaling Laws 把合成图像当作视觉预训练数据,而不是只服务于一个下游分类器。合成规模、文本提示一致性、正样本构造方式和预训练目标共同决定迁移效果。合成数据可以在较少真实图像下扩大覆盖,但结果仍依赖生成器和语言监督。StableRep、SynCLR、Fake It Till You Make It、Scaling Laws of Synthetic Images

3.5 数据集蒸馏

数据集蒸馏把目标从“生成更多样本”改成“生成一组能代表训练信号的少量样本”。IMS3、EVLF、D3S2、S²-RL、DIVER 和 SFM 分别从分布聚合、视觉语言融合、分割蒸馏、强化学习和统计流匹配等角度压缩数据。蒸馏比例、初始化方式、IPC、验证集和下游骨干必须同时报告,蒸馏结果不能与普通增广的准确率直接横比。IMS3、EVLF、D3S2、S²-RL、DIVER、SFM

4. 按数据条件

条件集合是交叉索引,同一篇论文可以同时出现于多个条件分支。83 条证据中的交叉计数为:少样本与数据稀缺 22 条、长尾与类别不平衡 24 条、跨域与域偏移 16 条、标签稀缺与半监督 7 条、持续学习与鲁棒性 6 条。

4.1 少样本与数据稀缺

GIF、DataDream、DA-Fusion、Diff-II、BOB、ChimeraLoRA、LoFT、1S-DAug 和 Few-Shot Synthetic Data Generation 都围绕少量真实样本下的领域贴合、类内变化和生成预算展开。共同趋势是用轻量适配、图像条件或样本选择代替盲目扩大生成规模。GIF、DataDream、DA-Fusion、Diff-II、BOB、ChimeraLoRA、LoFT、1S-DAug、Few-Shot Synthetic Data Generation

4.2 长尾与类别不平衡

Fill-Up、DiffuLT、CORAL、DBG、SynBalance、DAR-GDA、Tail-SD、TRCGL-Net 和长尾医学分类工作表明,尾类数量平衡只是起点。更重要的是生成样本是否覆盖尾类的决策边界、姿态和背景变化。Fill-Up、DiffuLT、CORAL、DBG、SynBalance、DAR-GDA、Tail-SD、TRCGL-Net、

4.3 跨域与域偏移

S3OD、DisCL、Free-Lunch、Pathology LDM-SSDA 和医学域泛化工作把合成数据用于跨数据集、跨设备或跨场景测试。跨域收益不能只看源域准确率,需要报告外部域、many/medium/few 或 OOD 指标。S3OD、DisCL、Free-Lunch、Pathology LDM-SSDA

4.4 标签稀缺与半监督

MatchMask、MRGen、Data Augmentation with Diffusion for Open-Set Semi-Supervised Learning、EBIS 把生成过程用于缺少 mask、少量标注或未标注数据的场景。此类方法的关键证据是标注一致性和少标注曲线,而不是单独的 FID。MatchMask、MRGen、Data Augmentation with Diffusion for Open-Set Semi-Supervised Learning、EBIS、

4.5 持续学习与鲁棒性

DiffAug、Class-Mixed Diffusion Augmentation、1S-DAug 和 Not Just Pretty Pictures 分别从 diffuse-and-denoise、快捷方式破除、少样本鲁棒性和干预式增广角度研究鲁棒性。持续学习和鲁棒性条件下,合成数据需要覆盖变化因素,同时避免把生成器自身的偏差带入训练集。DiffAug、Class-Mixed Diffusion Augmentation、1S-DAug、Not Just Pretty Pictures

5. 按方法阶段

方法阶段描述一条增广流水线中的动作,和下游任务、数据条件可以交叉组合。

5.1 图像条件编辑

DA-Fusion、DiffuseMix、Diff-Mix、Diff-II、DisCL 和 1S-DAug 以真实图像、反演潜变量或结构条件为起点,在去噪过程中控制外观、姿态和语义变化。它们通常更容易保持标签和布局,但变化范围受输入图像限制。DA-Fusion、DiffuseMix、Diff-Mix、Diff-II、DisCL、1S-DAug

5.2 任务反馈生成

DBG、MRCA、C2I、S3OD 和用户引导的冠脉检测增广把分类器、分割器或检测器的边界、不确定性和梯度反馈给生成器。反馈闭环能把预算集中到模型缺口,但也会把反馈模型的错误放大。DBG、MRCA、C2I、S3OD、Diffusion-Based User-Guided Data Augmentation

5.3 图像—标注联合生成

DiffuMask、DatasetDM、MatchMask、MRGen、Dual-Stream Diffusion、Polyp-LDM、DiDGen 和 DiffAtlas 同时生成图像及 mask、depth 或其他稠密标注。这里的评价应同时包含图像质量、标注质量和下游模型收益。DiffuMask、DatasetDM、MatchMask、MRGen、Dual-Stream Diffusion、Polyp-LDM、DiDGen、DiffAtlas

5.4 生成后筛选

Chamfer Guidance、Post-Generation Curation、BRIDGE 和 SynBalance 把样本质量、覆盖度、互补性或任务效用作为生成后的选择信号。结果显示,筛选常常比继续增加样本数量更稳定,但筛选器本身也可能引入偏差。Chamfer Guidance、Post-Generation Curation、BRIDGE、SynBalance

6. 统一评测与结果比较

论文报告的指标需要在统一实验设置下比较,跨数据集结果不宜拼成一张总榜。分类工作通常报告 Top-1、balanced accuracy、tail accuracy 或 OOD accuracy。检测工作报告 AP、召回率和跨域表现。分割工作报告 mIoU、Dice 或边界指标。生成质量常见 FID、KID、CLIP 相似度和人评,但它们与下游效用不总是一致。

比较时至少需要固定以下因素。

  1. 真实数据量和合成数据比例。
  2. 生成器是从头训练、领域微调还是完全冻结。
  3. 文本、类别、图像、mask、layout 等控制信号。
  4. 采样步数、guidance scale、生成分辨率和筛选预算。
  5. 下游模型结构、训练轮数、增强策略和随机种子。
  6. 是否把合成数据单独训练,还是与真实数据混合。
  7. 是否报告每个类别、跨域和外部测试集的表现。

UniDiffDA 的价值在于把这些变量拆开评估。医学系统综述则从更高层面提醒,合成数据的增益主要来自与真实数据互补,真实数据仍然承担核心监督作用。

结果比较:几个可以落地的数字

下面的数字来自论文各自的实验设置,适合用来理解方法作用,跨数据集排行榜需要额外的统一实验。

方法或证据 新分类位置 论文报告的结果 主要解释
TADA 按下游任务:分类 只增强训练早期未学到的 30%–40% 样本,最高提升 2.8 个百分点 选择样本可能比增加数量更重要
BOB 按下游任务:分类;按数据条件:少样本与数据稀缺 24 个设置中 18 个超过先前方法,14 个设置提升超过 2 个百分点 显式建模背景和姿态等类无关因素
MatchMask 按下游任务:分割与稠密预测 PASCAL VOC 从 67.5% 提升到 74.3% mIoU mask 中心生成、层自适应融合和相对过滤共同作用
DatasetDM 按下游任务:分割与稠密预测 VOC 提升 13.3 mIoU,COCO 提升 12.1 AP 感知解码器生成图像与标注配对数据
S3OD 按下游任务:目标检测 synthetic-only 的跨数据集错误减少 20%–50% 合成场景和歧义感知架构共同改善跨域泛化
MRCA 长尾实例分割 约 6% 的生成预算仍能获得持续收益 用实例分割器反馈生成不确定目标
医学 DiffAug 医学分割 小息肉和扁平病灶的 false negative rate 最高降低 28%,推理约 12.5 samples/s 文本引导、质量验证和快速潜变量估计共同影响结果
医学影像系统综述 多种医学任务 synthetic-only 通常有限,real+synthetic 的分类收益较小,分割收益更小 合成数据更像真实数据的补充

6.1 数据集与结果的整体对照

论文使用的数据集可以分成几组。分类增广主要集中在 CIFAR、ImageNet、CUB、Aircraft、Flowers 和少样本自然图像。长尾工作常用 ImageNet-LT、CIFAR-LT、LVIS 和专门的医学长尾数据。分割与图像—掩码生成更多使用 PASCAL VOC、COCO、ADE20K,以及 ISIC、BUSI、PH2、DDTI 等医学数据。表中的结果保留论文原始指标,不能把不同任务的数值拼成一个总排行榜。

新分类位置 代表方法 主要数据集 论文报告的结果 比较时需要固定的因素
按下游任务:分类;按数据条件:少样本与数据稀缺 TADA CIFAR-10/100、TinyImageNet、ImageNet 只增广训练早期未学到的 30%–40% 样本,最高提升 2.8 个百分点 真实数据量、增广比例和骨干
按下游任务:分类;按数据条件:少样本与数据稀缺 BOB 多个细粒度分类数据集 24 个设置中 18 个超过先前方法,14 个设置提升超过 2 个百分点 shot 数、属性建模和 T2I 模型
按下游任务:分类;按数据条件:少样本与数据稀缺 DA-Fusion Leafy Spurge、COCO、PASCAL VOC 在少样本分类和真实杂草识别任务上提升准确率 数据集构造和每类样本数
按下游任务:分类;按数据条件:少样本与数据稀缺 DataDream 10 个少样本分类数据集,包括 ImageNet few-shot 7/10 个数据集超过先前方法,其余接近或相当 LoRA 预算和 shot 数
按下游任务:分类;按数据条件:少样本与数据稀缺 Diff-Mix CUB、FGVC-Aircraft、Flower 在常规、少样本和长尾设置中稳定提升 类别粒度、生成倍数和下游训练策略
按下游任务:分类;按数据条件:少样本与数据稀缺 DIAGen 少标注分类与 OOD 设置 对 OOD 样本的收益比标准增广和 DA-Fusion 更明显 OOD 定义和样本筛选权重
按下游任务:分类;按数据条件:少样本与数据稀缺 MGRAttn-RNO CUB-LT IF100、Flower-LT IF100 在 CUB-LT IF100 上最高提升 2.50 和 2.94 个百分点 不平衡比例和前景掩码质量
按下游任务:分类;按数据条件:长尾与类别不平衡 DisCL ImageNet-LT、iWildCam ImageNet-LT 尾类准确率从 4.40% 提升到 23.64%,整体从 35.80% 提升到 39.82%;iWildCam OOD F1 从 35.5 提升到 38.2 many/medium/few 划分和域外测试集
按下游任务:分类;按数据条件:长尾与类别不平衡 DBG、CORAL、DiffuLT ImageNet-LT、CIFAR-LT 等 重点改善尾类准确率、尾类生成质量和决策边界分离 imbalance factor、采样预算和 backbone
按下游任务:目标检测/分割与稠密预测;按数据条件:长尾与类别不平衡 Tail-SD、MRCA COCO、LVIS、长尾实例分割基准 Tail-SD 的 LVIS rare Box AP 提升 4.89,rare Mask AP 提升 5.68;MRCA 约用 6% 生成预算获得持续收益 rare 类定义、实例预算和评测协议
按下游任务:分类;按数据条件:长尾与类别不平衡 TRCGL-Net PadChest tail mAP 0.4904,overall mAP 0.4408,mAUC 0.8989 多标签指标不能与单标签分类直接比较
按下游任务:分割与稠密预测 MatchMask PASCAL VOC、COCO、ADE20K PASCAL VOC mIoU 从 67.5% 提升到 74.3% mask 对齐、标注稀缺比例和分割骨干
按方法阶段:图像—标注联合生成 DatasetDM PASCAL VOC 2012、COCO 2017 VOC 提升 13.3 mIoU,COCO 提升 12.1 AP 生成标注类型和下游模型
按下游任务:目标检测 S3OD DIS、HR-SOD synthetic-only 跨数据集错误减少 20%–50% 错误率与 mIoU、AP 不能混比
按方法阶段:图像—标注联合生成 MedDiff-FT ISIC-2017/2018、BUSI、PH2、DDTI 正文报告五个医学分割数据集平均提升约 1% Dice,README 另有口径,需复核 模态、器官和标注比例
按下游任务:数据集蒸馏;按方法阶段:生成后筛选 D3S2、S²-RL ADE20K、COCO-Stuff、COCO D3S2 在 1% 压缩率下 ADE20K/COCO-Stuff mIoU 为 24.99%/35.49%;S²-RL 使用 SegFormer-B5 评估 mIoU 和 mAcc IPC、真实验证集和蒸馏预算
按下游任务:表征学习 StableRep、SynCLR 合成图像规模学习、ImageNet、ADE20K StableRep 用 20M 合成图像超过 50M 真实图像训练的 CLIP;SynCLR 在 ADE20K 上比 MAE、iBOT 高 5.0、3.1 mIoU 预训练规模、语言监督和下游协议
按方法阶段:生成后筛选 Chamfer Guidance 2 或 32 个真实 exemplar 的 few-shot 设置 2 exemplar 时 precision 96.4%、coverage 86.4%;32 exemplar 时 precision 97.5%、coverage 92.7%;下游 ID/OOD accuracy 最高提升 15/16% 质量指标与下游效用需同时报告

这些结果说明,合成数据的收益通常来自数据条件和任务模型的匹配。少样本分类更关注类内变化和分布贴合,长尾方法更关注尾类覆盖与决策边界,分割方法还必须验证图像和掩码的一致性。跨论文比较时应优先复现统一评测框架,再比较同一任务、同一数据预算和同一指标下的结果。

7. 局限和风险

语义和分布偏移。 大型自然图像模型并不自动理解医学形态、传感器噪声或三维解剖结构。提示错误会生成漂亮但标签不对的图像。

保真度和多样性的冲突。 强图像条件提高标签稳定性,却可能只复制训练集。弱条件增加变化,却会带来背景捷径和类别混淆。

反馈闭环偏差。 分类器、分割器或奖励模型既负责挑样本又影响生成器,可能把自身错误反复放大。

计算和可复现性。 反演、微调、多步采样、过滤和多轮反馈的成本很高。许多论文没有完整报告 prompt、随机种子、合成比例、过滤阈值和生成预算。

隐私和记忆。 预训练扩散模型可能复现训练数据中的人物、版权内容或敏感模式。合成图像也可能把数据集偏见放大到下游模型。

外部验证不足。 多数工作只在少量公开数据集和单一下游骨干上验证,跨医院、跨设备、跨地域的证据仍然有限。

8. 开源状况

当前按本综述 83 条证据记录统计,其中 47 条正文出现 GitHub URL。这个数字包含依赖库和基础模型链接,因此需要进一步区分作者仓库、依赖项目和基础模型。下面只把论文来源页或条目中明确指向的作者仓库列为“代码路径”。链接指向仓库根目录,进入仓库后的 README、configs、scripts 和训练入口通常能看到复现实验所需的具体命令。33 个作者仓库链接中,31 个可以访问,29 个已经完成本地浅克隆,IGD-ML 和 LoFT 的克隆仍需补齐,TRCGL-Net 和 SFD-Polyp 的链接返回 Repository not found。代码归档目录为 C:\Users\Richard\Documents\Codex\2026-11-05\s\outputs\diffusion_augmentation_code,依赖库和基础模型没有混入这个目录。

方法 作者代码路径 备注
DiffDA-Eval nukezil/DiffDA-Eval 统一评测与复现实验
DBG keepdigitalabc-svg/DBG 决策边界生成
IMS3 Westlake-AGI-Lab/IMS3 扩散数据集蒸馏
Learnability Gap MischaD/LearnabilityGap 医学潜空间扩散分析
DisCL tianyi-lab/DisCL 合成到真实的课程学习
Diff-II HKUST-LongGroup/Diff-II 反演圆插值增广
CORAL SankarLab/coral-lt-diffusion 长尾潜表示解耦
IGD-ML pranoydas51/IGD-ML 长尾生成建模
DAR-GDA ruyianry/gda-dar 蒸馏、对齐与重加权
Diffusing DeBias Malga-Vision/DiffusingDeBias 偏置放大与去偏
MedDiff-FT JianhaoXie1/MedDiff-FT 医学图像轻量微调
DataDream ExplainableML/DataDream 少样本数据集生成
Diff-Mix Zhicaiwww/Diff-Mix 跨类别扩散混合
DA-Fusion brandontrabucco/da-fusion 图像条件扩散增广
GIF Vanint/DatasetExpansion 小规模数据集扩展
DIAGen visinf/DIAGen 生成式图像增广
MGRAttn-RNO hvcl/MGRAttn-RNO 参考注意力与排斥噪声
病理图像 LDM-SSDA hsu-lab/ldm-pathology-ssda 半监督域适配
SynRep / SynCLR google-research/syn-rep-learn 合成表示学习
DiffAug oore-lab/diffaug diffuse-and-denoise 增广
Free-Lunch zzzzj311-droid/Free-Lunch-SITN 跨域少样本检测
D3S2 zwj084/D3S2 语义分割数据集蒸馏
LDMLR AlvinHan123/LDMLR 长尾特征扩散
TRCGL-Net November-1113/TRCG 胸片长尾分类
SFD-Polyp zhaiying0925/SFD- 息肉图像—掩码生成
EBIS VEDAs-Lab/EBIS 烧伤分割与扩散教师
Polyp-LDM 16rq/Polyp-LDM 息肉边界对齐生成
DiDGen junjie-shentu/DiDGen 皮肤镜双任务生成
DiffAtlas M3DV/DiffAtlas 图谱分割图像—掩码生成
DiGDA medipixel/DiGDA 冠脉检测用户引导增广
LoFT ExplainableML/LoFT LoRA 少样本数据生成
S2-RL 00why00/S2RL 分割数据集蒸馏
SFM einsteinxia/SFM 自监督数据集蒸馏

部分论文只提供了基础模型或依赖库链接,例如 diffusers、latent-diffusion、mmsegmentation、detectron2 和 FLUX,不能据此判断论文作者实现已经公开。当前尚未定位到作者仓库的代表性方法包括 S3OD、DatasetDM、Fill-Up、Tail-SD、RealSynz、SaSPA、Chamfer Guidance、MRGen、C2I 和 DIVER。仓库是否包含预训练权重、生成数据和完整训练脚本,还需要以仓库当前内容为准。

9. 仍需补全文本的条目

以下两条目前仍保留在 Zotero 中,但没有本地 PDF。文章中的方法和结果依据题目、摘要或出版页面,属于待补全文献。

10. 一句话总结

扩散模型数据增广正在从“生成更多图像”转向“生成对特定模型和特定缺口有用的图像”。下一步的关键在于建立可复现的任务效用评测、可靠的样本筛选、结构一致的标注生成和跨域外部验证。

阅读边界

本页使用的主体证据来自 Zotero 本地 PDF 和条目中的论文来源链接。5 篇没有本地 PDF 的记录已经明确标注为“当前无本地 PDF”,它们在当前版本中作为待补全文献处理。正式接收、预印本、workshop 和 OpenReview 在审状态也按 Zotero 条目和来源页面分别保留。

参考文献

参考文献(点击展开)