这张流程图展示一套面向番茄叶片病害的数据增强扩散模型，整体分为四大模块：类别感知输入、隐变量设置、带空间约束的反向扩散、增强输出。在 (a) 类别感知输入阶段，先执行类别平衡运算，对健康番茄样本做传统图像增强，病害类别依靠空间掩码引导合成，输入原始图像、掩码以及细粒度病害描述提示词，完成前期数据准备。(b) 隐变量设置模块利用 VAE 编码器将原图编码得到隐向量，同时对掩码下采样，借助 CLIP 文本编码器解析病害提示文本，另外采样高斯噪声作为扩散初始隐变量。(c) 带空间约束的反向扩散是核心流程，采用 LoRA 适配的 U‑Net 网络，循环执行反向扩散步骤与前向扩散步骤，通过掩码替换算法保留背景区域；引入注意力定位损失，约束病害语义落在掩码范围内部，再综合噪声损失与注意力损失完成模型的损失计算。(d) 增强输出阶段，把最终隐变量送入 VAE 解码器生成病害合成图像，最终得到类别均衡的增强数据集，兼顾语义一致性、空间可控性与原有背景保真度，在保留叶片原有背景的前提下精准生成指定区域的病害病变效果。无论做农业病害图像研究的科研人员，还是学习扩散模型图像生成方向的学生，都可以借助该流程图理解掩码引导的病害数据增强算法思路。