ID数据密度缩放

小数据集高效生成

通过域内数据密度缩放替代数量缩放，在保持生成质量的同时显著降低计算开销。

Ye, Senmao · 刘飞 · 张大卫 · Fan, Hehe · Wei, Wei · Madal, Artur · 77838971 · 郑忠龙

Neurocomputing 2026

参数信息

FID

6.36

FID

9.52

FID

3.89

技术优势

省算力

只对域内图像做密度缩放，跳过大量域外数据，避免在无用数据上浪费计算资源。

扩散模型更快收敛

实验表明，小扩散模型的收敛速度取决于数据密度而非数据总量，因此提高密度能更快达到更低的FID。

生成质量不降

在CUB、Oxford和COCO上分别取得6.36、9.52和3.89的FID，证明小模型也能合成高质量图像。

应用场景

• 具身智能数据生成：在小数据集上快速生成高质量视觉数据，训练具身智能模型。
• 机器人视觉仿真：用少量真实图像训练出能模拟真实场景的扩散模型，用于机器人视觉仿真。
• 无人机视觉训练：在无人机小样本图像集上高效合成训练数据，提升视觉模型性能。
• AI芯片基准测试：在资源受限条件下以更低计算量生成图像，用于AI芯片性能基准测试。