我应该染还是人工智能应该生成? 制作合成语义细分数据集与受控生成

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 为计算机视觉任务 (如语义细分) 生成标记合成数据至关重要,但具有挑战性.
• 使用计算机图形模拟和染的传统方法往往无法捕捉现实世界的复杂性,例如各种天气条件和细节.
• 这些方法也是昂贵和耗时的,限制了可用的数据集的多样性和规模.

研究的目的:

• 探索生成性AI的整合,特别是可控制的扩散模型,用于自动合成图像标记数据生成.
• 引入和测试一种创建标记合成图像的新方法,最初专注于语义细分.
• 在数据集创建和模型培训中,比较人工智能生成数据与传统染技术的有效性.

主要方法:

• 利用可控制的扩散模型,以产生由文本提示和语义面具指导的合成图像变化.
• 开发了一种用于生成标记合成图像的新方法,适用于语义细分任务.
• 在两个不同的图像细分领域测试了该方法.

主要成果:

• 与传统的计算机图形模拟相比,拟议的人工智能驱动的方法有效地创建了多样化的数据集.
• 在人工智能生成的数据上训练的下游模型表现出卓越的性能.
• 结果表明,对合成数据创建的受控生成模型的范式转变.

结论:

• 可控制的扩散模型为传统染提供了强大而高效的替代方案,用于生成高质量的标记合成图像数据.
• 人工智能生成的数据集可以有效地训练计算机视觉模型,优于传统染数据上训练的模型.
• 该研究倡导在合成数据创建中采用生成AI,质疑传统染的必要性 ("我应该染还是人工智能应该生成? "). 在这个问题上,我认为.