在一篇提交于2026年5月26日的arXiv论文中，作者Nithesh Chandher Karthikeyan等三人提出并评估了一种以表征为条件的潜在扩散模型方法，用于生成受控的训练数据，以缓解深度学习应用中长期存在的数据稀缺瓶颈。论文编号为arXiv:2605.27495v1，归类于计算机视觉与模式识别（cs.CV）以及机器学习（cs.LG）。
研究团队指出，大规模数据集在采集、整理和标注环节往往成本高昂，这直接限制了监督学习方法在规模化和适用范围上的扩展能力。为此，他们系统评估了在生成式深度学习所合成的图像数据集上训练的分类模型的性能表现。与常见的按类别标签进行条件化的生成方式不同，这项工作采用以DINOv2、DINOv3和CLIP等模型学习到的表征作为条件，驱动潜在扩散模型生成图像。
实验结果显示出这种表征条件化设计的明显优势。在ImageNet100基准上，该方法相比类别条件化生成在top-1准确率上大幅领先10.76个百分点。作者将这一提升归因于两个方面：生成样本质量的改善，以及模式覆盖范围的扩大。换句话说，以表征为条件不仅让生成的图像更逼真，也使合成数据能够覆盖更丰富的类别内变化，从而为分类器提供更有价值的训练信号。
更具意义的是规模效应方面的发现。当研究人员扩大合成数据集的规模后，仅使用合成数据训练的分类器在top-1准确率上超过了在真实数据上训练的模型，领先幅度为2.0个百分点。这一结果说明，在足够大的数据量下，高质量的合成数据有潜力在特定任务中替代真实数据。
论文还探讨了合成图像在数据增强方面的用途。研究表明，将生成图像用于增强训练时，其效果优于传统的图像增强方法。此外，作者展示了如何利用条件化空间进行样本筛选，从而进一步提升训练数据的价值——通过在该空间中甄别更具信息量的样本，可以过滤掉低质量或冗余的合成图像。
综合来看，这些发现表明以表征为条件的扩散模型为大规模视觉学习任务提供了一条有前景的路径：它们可以用于增强现有数据集、补充真实数据，甚至在部分场景下替代真实世界数据集。论文同时给出了提交时间、DOI以及全文获取链接等信息，为后续研究提供了可复现与引用的基础。