本研究提出了一个称为 Data Augmentation Optimized for GAN (DAG) 的框架，用于在 GAN 训练中使用增强数据来改善原始分布的学习，通过理论分析表明该方法有效地利用增强数据来提高鉴别器和生成器的学习，并在自然图像和医疗图像数据集上证明了 DAG 的有效性和优越性。

Jun, 2020

本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

Oct, 2018

本文提出了使用生成对抗网络（GAN）生成机器学习任务的人工训练数据，以解决样本不平衡问题与个人隐私数据问题，在多个基准数据集上测试表明，使用 GAN 生成的训练数据进行决策树分类器训练可以取得与使用原始数据集训练 DT 相同或更好的准确性和召回率.

Apr, 2019

使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的，然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。

Jun, 2023

提出了一种基于贝叶斯公式，利用广义蒙特卡洛期望最大化算法和生成对抗网络的方法，能更好地生成新的标注训练样本，并在 MNIST，CIFAR-10 和 CIFAR-100 的数据集中取得了优于现有数据增强方法和 GAN 模型的分类结果。

Oct, 2017

本文提出一种自适应判别器增广机制，稳定有限数据中生成对抗网络的训练，无需改变损失函数或网络架构，适用于从头开始训练和调优现有 GAN 的情况，并在几个数据集上进行了实证分析，结果表明，仅使用少量的训练图像就可以获得好的结果，通常与 StyleGAN2 的结果相匹配，而使用的图像数量则少了一个数量级。此方法有望扩大 GAN 的应用领域，并发现 CIFAR-10 是一个有限数据基准，在此基础上改进了记录 FID（Fréchet Inception Distance) 由 5.59 到 2.42。

Jun, 2020

本文介绍使用生成式对抗网络 (GANs) 模型进行数据增强以改善情感分类器泛化能力的方法，通过对资源有限数据集训练 GAN 模型，并探索不同技术进行 GAN 模型训练，并分析了生成数据的质量以及使用 t-SNE 方法在二维空间中对生成数据和实际数据的可视化分析。

Feb, 2019

使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

Aug, 2019

本论文提出了一种将生成对抗网络（GAN）用于数据增强的方法，以解决标签分布不均衡导致的图像分类困难，特别是在情感分类中，实验结果表明，使用 GAN 进行数据增强，可以使分类准确率提高 5％〜10％。

Nov, 2017

通过生成模型的数据增强方法，本研究在社交网络广告领域解决了受限数据集及潜在偏差的问题，提升了模型性能，并提供了多个数据增强技术的相对表现对比，以指导从业者选择适合的技术来增强模型性能。

Apr, 2024