摘要。在计算机视觉中，众所周知，缺乏数据会损害模型性能。在这项研究中，我们应对加强数据集多样性问题的挑战，以使各种下游任务（例如对象检测和实例segmentation）受益。我们通过利用生成模型中的进步，特别是文本对图像合成技术（如稳定扩散）提出了一种简单而有效的数据增强方法。我们的方法着重于标记的真实图像的变化，利用生成对象和背景增强通过indpainting来增强现有的培训数据，而无需其他注释。我们发现，尤其是背景增强，显着提高了模型的鲁棒性和泛化能力。我们还调查了如何提示和掩盖以确保生成的内容符合现有注释。通过对可可数据集的全面评估和其他几个关键对象检测基准测试，我们的增强技术的功效得到了验证，这表明在不同情况下，模型性能没有提高。这种方法为数据集启用的挑战提供了有希望的解决方案，这有助于开发更准确，更健壮的计算机视觉模型。