基于DiT条件引导的多标签天气图像数据扩充方法

本发明公开一种基于DiT条件引导的多标签天气图像数据扩充方法，主要解决现有增强方法单一，在多标签天气分类中数据稀缺、生成模型控制能力不足的问题。方案包括：1)获取包含多标签天气图像的训练样本集；2)构建基于LDM和DiT条件引导的扩散模型并训练；3)通过VAE编码器将图像转化为潜在空间表示，并逐步添加高斯噪声；再使用训练后扩散模型结合多标签条件嵌入进行去噪，通过VAE解码器恢复成合成天气图像；4)将合成天气图像与原始训练集数据混合，得到扩充数据集，用于多标签分类模型的优化训练。本发明能够有效提升数据集的多样性和质量，显著提高多标签天气分类的精度和鲁棒性，可用于深度学习中的多标签天气识别任务。