BriefGPT - AI 论文速递
·
大规模无条件预训练的合成增强
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
通过在大规模无标签数据集上预训练潜在扩散模型（LDM），提出了一种名为HistoDiffusion的合成增强方法。然后在未见过的有标签数据集上通过分类器引导在潜在空间中微调模型，以合成特定类别的图像。通过选择性机制只添加与目标标签匹配度较高的合成样本，HistoDiffusion增强使用少量原始标签，大幅提高了骨干分类器的分类准确率6.4%。
🎯
关键要点
-
在大规模无标签数据集上预训练潜在扩散模型（LDM）。
-
提出了一种名为HistoDiffusion的合成增强方法。
-
在未见过的有标签数据集上，通过分类器引导在潜在空间中微调模型。
-
合成特定类别的图像。
-
采用选择性机制，只添加与目标标签匹配度较高的合成样本。
-
通过HistoDiffusion增强，使用少量原始标签，大幅提高了骨干分类器的分类准确率6.4%。
🏷️
标签
➡️
