DataDream 提出了一种新方法，通过微调生成模型的 LoRA 权重，用少量真实数据生成更真实的合成数据集，提高了分类准确率。实验显示，该方法在多个数据集上优于现有方法，并分析了真实与合成数据数量对性能的影响。

该论文提出了一个新的基于扩散模型的分类导向框架DreamDA，通过扰动反扩散过程生成多样样本，使用自训练范式生成伪标签和合成数据训练分类器，实验证明了DreamDA在生成高质量多样图像和准确标签方面的有效性。