GAN]NVIDIA在极小的数据集上实现了高精度的GAN! 什么是扩容ADA，不用过度训练!

三个要点
✔️ 英伟达研究团队在极小的数据集上实现了高精度的GAN
✔️ 使用新的增强方法ADA防止过度训练。
✔️引入概率和增强的概念并不会降低准确性

Training Generative Adversarial Networks with Limited Data
written by Tero Karras, Miika Aittala, Janne Hellsten, Samuli Laine, Jaakko Lehtinen, Timo Aila
(Submitted on 11 Jun 2020 (v1), last revised 7 Oct 2020 (this version, v2))
Comments: Project website: this https URL
Subjects: Computer Vision and Pattern Recognition (cs.CV); Machine Learning (cs.LG); Neural and Evolutionary Computing (cs.NE); Machine Learning (stat.ML)
 official

comm

1. 导言

近年来，GANs的显著发展是利用海量的在线图像数据实现的，但在特定对象、地点、时间的约束下，收集如此大量的图像是非常困难的。然而，在特定对象、地点、时间等约束下，收集如此大量的图像是非常困难的，另一方面，Discriminator有可能在只有少量数据集的情况下过度学习。在大多数深度学习领域，数据增强是用来防止过度学习的，比如改变角度或添加噪声。然而，GANs中的数据增强可能会导致完全不理想的图像，即使数据集同样是增强的。例如，使用有噪声的数据集也会给GAN产生的图像增加噪声。

在本文中，我们使用数据增强来防止Discriminator的过度训练，并防止添加的噪声在生成的图像中被反射。首先，我们全面分析了Data Augmentation在什么条件下可以防止噪声加入到生成的图像中，然后我们设计了各种Data Augmentation方法，以实现不受数据集条件影响的相同方法。我们还表明，StyleGAN2可以在几千个小数据集上取得很好的结果，在CIFAR-10基准上也可以取得很好的结果，由于数据集数量有限，结果一直很低迷。我们还提供了一个新的数据集，用于在有限的METFACES数据集的条件下进行基准测试。

山下夏生