摘要

近年来，自动增强方法已成为提升视觉任务模型性能的关键支柱。尽管现有自动增强方法在简洁性、计算成本与性能之间往往需要权衡，我们提出了一种极为简单的基线方法——TrivialAugment，其几乎无需额外代价即可超越以往多数方法。TrivialAugment 不包含任何可学习参数，且对每张图像仅应用一次增强操作。因此，该方法的出色表现令我们感到意外，我们为此进行了极为全面的实验以深入探究其性能表现。首先，我们在多种图像分类场景下将 TrivialAugment 与此前最先进的方法进行对比。随后，我们通过多项消融实验，系统考察了不同增强空间、增强策略及配置设置对性能的影响，以揭示其有效性的关键条件。此外，我们提供了一个简洁易用的接口，以促进自动增强方法的广泛采用，并公开了完整的代码库以确保实验可复现性。鉴于本研究揭示了当前自动增强研究领域在多个方面已出现停滞，我们最后提出了若干最佳实践建议，以期推动该方向在未来实现持续、稳健的发展。