摘要

尽管深度网络在图像分类任务中表现出色，但在面对数据中未预见的退化（corruptions）时，其泛化能力仍显不足。为解决这一脆弱性问题，以往研究构建了复杂的图像增强策略，通过组合多种方法来丰富训练数据。然而，这类方法引入了繁复的设计选择或启发式规则，使得难以厘清哪些要素真正对提升鲁棒性具有关键作用。本文中，我们采取一种更为根本的思路，致力于实现对常见数据退化的鲁棒性。我们提出PRIME——一种通用的图像数据增强框架，其核心是基于简单但表达能力丰富的最大熵图像变换族。PRIME在应对各类数据退化方面显著优于现有方法，同时其简洁性与即插即用的特性，使其能够无缝集成到其他增强方法中，进一步提升其鲁棒性。我们对PRIME进行了深入分析，揭示了混合策略在合成退化图像过程中的重要性，并阐明了在常见退化场景下鲁棒性与准确率之间的权衡关系。最后，我们证明了该方法具有优异的计算效率，可轻松应用于在线与离线两种数据增强场景。