用预算匹配训练对照筛选有效的退化合成数据

选择合成退化进行密集预测需要估计其训练效用，即它们在有限训练预算下带来的泛化增益。干净和退化的双胞胎共享内容和标签，根据短期训练减少退化引起的过度误差的程度来建议分数。然而，当清洁性能恶化时，这种差距也会缩小。仅衡量退化图像的改进可以避免这种混乱，但它仍然归功于相同数量的清洁训练所产生的进步。我们针对由退化类型和严重程度定义的区域提出\textbf{受控可减少退化间隙}（cRDG）。从一个公共检查点开始，cRDG 运行两个预算匹配的探针，它们仅在一个增强槽位上有所不同，该槽位要么是合成降级，要么是干净增强。分数是相对于干净控制探针的保留降级图像的增益。清洁危害是一个单独的可行性约束。 cRDG 揭示了一个可校正的严重性范围，其中退化训练在以下条件下产生高控制增益 可用预算，并且频带随预测器、起始检查点和训练预算而移动。 \textbf{可约化带的管理}（\method）使用 cRDG 来选择合成数据而不更改预测器。在语义分割和显着对象检测方面，\method{} 在匹配的合成数据预算和训练计划下改进了代表性预测器，扩展到现有的数据生成管道，并保持干净的性能。代码和支持材料将公开发布。