FLAME Diffuser: Grounded Wildfire Image Synthesis using Mask Guided Diffusion

近年来，机器学习的兴起为各种研究领域带来了好处，例如广泛的火灾检测。然而，小物体检测和罕见物体检测仍然是一个挑战。为了解决这个问题，我们提出了一个数据集自动化程序，可以使用扩散模型生成地面真实配对数据集。具体来说，我们介绍了一个掩模引导扩散框架，可以将野火融合到现有图像中，同时可以精确控制火焰的位置和大小。为了弥补特定场景下野火图像数据集缺失的空白，我们通过控制文本提示和输入图像来改变合成图像的背景。此外，为了解决色调问题或众所周知的域漂移问题，我们应用CLIP模型来过滤生成的大规模数据集以保持质量。因此，我们提出的框架可以生成大规模的数据集，这些图像是高质量的，并且是地面真实的配对，很好地满足了特定任务中的注释数据集的需求。

论文旨在解决机器学习中小目标检测和罕见目标检测的问题，提出了使用扩散模型生成地面真实配对数据集的自动机器人。

论文提出了一个基于掩模引导扩散框架的方法，可以将野火融合到现有图像中，并可以精确控制火焰的位置和大小，以填补特定场景下野火图像数据集的空白。

论文使用CLIP模型过滤生成的大规模数据集以保持质量，并提供了可重复的实验结果和开源代码。该方法可以生成高质量的、地面真实配对的大规模数据集，满足特定任务中注释数据集的需求。

最近的相关研究包括：YOLOv4、RetinaNet和Faster R-CNN等目标检测算法的改进，以及使用生成对抗网络（GAN）生成图像的方法。