该论文研究如何在不重新训练生成器的情况下，从固定的合成图像池中筛选更有训练价值的子集。方法将真实类别拆分为代表典型模式的同质子集与覆盖类内变化的异质子集，并以兼顾保真度和多样性的标准抑制合成数据中的典型模式冗余。在多个基准上，该方法据称可用最多少40%的合成样本达到真实数据性能，并适用于分类与分割任务。
最近 24 小时暂无可用热度快照。