近年来，生成模型在产生高质量合成图像方面取得了显著进展，为数据匮乏的机器学习模型提供了丰富的训练资源。然而，现有的利用这些合成数据的方法主要分为两类：一是重新训练或微调生成器本身，二是采用轻量级的后处理技术如提示工程或推理时引导。这些方法往往依赖于特定的生成器架构，并且需要大量的领域专业知识，限制了其通用性和易用性。
针对这一问题，来自某研究团队（Disheng Liu等）提出了一种全新的后生成精选方法，旨在从固定的合成图像池中挑选出最具信息价值的子集，从而提升下游任务的性能，而无需对生成器进行任何修改。该研究的核心洞察在于：现代生成模型存在一种结构性偏差，即它们倾向于过度产生每个类别的典型（规范）样本，而忽略了类内的多样性变化。例如，在生成“猫”的图像时，模型可能更频繁地生成正面、清晰、标准姿态的猫，而相对较少生成侧卧、跳跃等非典型姿态的猫。
基于这一洞察，研究人员提出了一种“同质-异质分割”策略。首先，对于每个真实类别，将其训练数据划分为两个子集：同质（Homogeneous, HO）子集，包含该类别中最典型的样本；异质（Heterogeneous, HE）子集，则包含非冗余的、能体现类内变化的样本。然后，对每一张合成图像，基于其与HO和HE子集的语义对齐程度进行评分，同时惩罚那些与HO子集中样本过于相似的图像（即典型冗余）。这一评分标准同时考虑了保真度（语义正确性）和多样性（避免重复），从而选择出信息量最大的合成样本。
该方法的优势在于其生成器无关性，无需对生成网络进行任何重新训练或微调，可直接应用于任何现有的合成数据池。在多个标准基准测试中，该方法显著优于当前最先进的数据选择基线，并且仅使用60%的合成样本就能达到与使用全部真实数据相当的模型性能。更令人印象深刻的是，即使应用于经过任务调优的更强大生成器，该选择标准仍然有效，在图像分类和语义分割任务中均带来了进一步提升。
总之，这项研究表明，后生成精选不是替代更强大生成器的方法，而是一种互补的、实用的机制，能够显著提高合成数据的利用效率。对于在计算资源或真实数据获取受限的场景下，该方法提供了一种低成本、高效率的改进途径。