Advances in Diffusion Models for Image Data Augmentation: A Review of Methods, Models, Evaluation Metrics and Future Research Directions

图像数据增强是现代计算机视觉任务中的一种关键方法，因为它可以增强训练数据集的多样性和质量，从而提高机器学习模型在下游任务中的性能和鲁棒性。同时，增强方法也可以用于以上下文和语义为基础的编辑/修改给定的图像。扩散模型（DMs）是生成人工智能（AI）领域中最近和最有前途的方法之一，它已经成为图像数据增强的强大工具，能够通过学习底层数据分布来生成逼真和多样化的图像。本研究对基于DM的图像增强方法进行了系统、全面和深入的综述，涵盖了广泛的策略、任务和应用。特别地，首先对DM的基本原理、模型架构和训练策略进行了全面分析。随后，引入了相关图像增强方法的分类法，重点关注语义操作、个性化和适应性技术以及特定应用的增强任务。然后，分析了性能评估方法和相应的评估指标。最后，讨论了该领域的当前挑战和未来研究方向。

本文旨在系统、全面、深入地回顾基于扩散模型的图像数据增强方法，涵盖了广泛的策略、任务和应用。

本文提出了基于扩散模型的图像数据增强方法，可以在语义感知的情况下编辑/修改给定的图像，并通过学习底层数据分布生成逼真且多样化的图像。

本文对扩散模型的基本原理、模型架构和训练策略进行了全面分析，介绍了相关图像增强方法的分类方法，并重点关注了语义操作、个性化和适应性以及特定应用增强任务的技术。此外，本文还分析了性能评估方法和相应的评估指标，并讨论了该领域的当前挑战和未来研究方向。

最近在这个领域中，还有一些相关的研究，如《CutMix：正则化训练深度神经网络的新方法》、《Mixup：Beyond Empirical Risk Minimization》等。