시각 인식 딥러닝 모델은 표현이 부족한 의미론적 하위 집단으로 인해 체계적인 오류를 보이는 경우가 많다. 기존 디버깅 프레임워크는 주요 실패 속성을 식별하여 이러한 실패를 정확히 지적할 수 있지만, 모델을 효과적으로 복구하는 것은 여전히 어렵다. 본 논문에서는 해석 가능한 실패 속성 파이프라인을 기반으로 하는 모델 복구 모듈을 소개한다. 이 모듈은 조건부 텍스트-이미지 모델을 사용하여 실패 사례에 대해 의미론적으로 충실하고 목표화된 이미지를 생성한다. 생성된 샘플의 품질과 관련성을 유지하기 위해 대형 비전-언어 모델(LVLM)을 사용하여 출력을 필터링하고, 원래 데이터 분포와의 정렬을 적용하며 의미론적 일관성을 유지한다. 이 희귀 사례 증강 합성 데이터 세트로 비전 모델을 재훈련함으로써, 희귀 사례와 관련된 오류를 크게 줄일 수 있다. 실험 결과, 이 목표화된 복구 전략은 새로운 버그를 발생시키지 않고 모델의 견고성을 향상시켰다.
