可微分的增强数据策略用于数据高效的 GAN 训练

Jun, 2020

可微分的增强数据策略用于数据高效的 GAN 训练

Differentiable Augmentation for Data-Efficient GAN Training

Shengyu Zhao, Zhijian Liu, Ji Lin, Jun-Yan Zhu, Song Han

TL;DR本研究提出了一种名为 Differentiable Augmentation（DiffAugment）的方法，该方法通过对真假样本施加各种可导的增强以提高 GAN 的数据效率，有效地稳定训练，导致更好的收敛。实验表明，我们的方法具有一致的收益，可以在各种 GAN 架构和损失函数上进行无条件和条件生成。 DiffAugment 可以在只有 20％的训练数据情况下，在 CIFAR-10 和 CIFAR-100 上达到并匹配最高预测性能。

Abstract

The performance of generative adversarial networks (GANs) heavily deteriorates given a limited amount of training data. This is mainly because the discriminator is memorizing the exact training set. To combat it, we propose differentiable augmentation (DiffAugment), a simple method tha

generative adversarial network data efficiency differentiable augmentation gan architectures training stabilization

发现论文，激发创造

基于扩增感知的自监督学习，用于数据有效的 GAN 训练

提出了一种新型的、基于增强现实的自监督辨别器，并利用预测参数作为判别阈值，减弱了旧行的数据不变性，显著提升了数据效率，实验结果优于其他 GANs

May, 2022

DifAugGAN：用于基于 GAN 的单图像超分辨率的实用扩散式数据增强

GAN-based 图像超分辨率中对鉴别器进行校准的简单而非迁移式数据增强方案 DifAugGAN 能够提高鉴别器校准，从而改善超分辨率性能。在合成和真实数据集上进行的广泛实验评估表明，DifAugGAN 相对于现有的基于 GAN 的图像超分辨率方法具有显著的优越性，展示了定性和定量结果的重要进展。

Nov, 2023

使用有限数据训练生成对抗网络

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

关于生成对抗网络训练中的数据增强

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

从零开始使用基于扩散的数据增强来提升无监督对比学习

通过扩散步骤，DiffAug 引入了一种新颖且高效的基于扩散的数据增强技术，以确保增强数据和原始数据在光滑的潜在空间中共享，从而通过无需标签、外部数据 / 模型或先前知识的约束来提高图像分类和聚类准确性，可适用于视觉和生物领域。

Sep, 2023

扩散模型在有效数据增强中的应用

通过使用图像转图像的方法、以及预训练的文本到图像扩散模型将其参数化，解决了数据扩增过程中具有高级语义标注的动物种类等属性缺乏多样性的问题，并在少样本情境和杂草识别任务中得到实际应用。

Feb, 2023

数据增强生成对抗网络

本文提出了一种用于数据增强的生成对抗网络 (DAGAN) 模型，其可帮助神经网络在数据不足的情况下提高泛化能力，实验结果显示在 Omniglot、EMNIST 以及 VGG-Face 数据集中，使用 DAGAN 后精度显著提高，我们同时还使用 DAGAN 增强了匹配网络 (Matching Networks) 的性能。

Nov, 2017

可微同双生数据增广的数据集压缩

研究了大规模数据集的训练状态下的机器学习问题，并提出了一种不同的策略 —— 基于可区分的孪生数据增强技术生成的数据集，来训练深度神经网络，结果表明在多个图像分类基准测试上，该方法相对于最新技术有 7％的改进。

Feb, 2021

LatentAugment：通过引导操控 GAN 的潜空间进行数据增强

数据增强技术（Data Augmentation）通过生成具有真实图像外观的合成样本，提高了深度模型的泛化性能，而 LatentAugment 更进一步地增加了样本的多样性和准确性，优于标准数据增强和基于生成对抗网络（GAN）的采样。

Jul, 2023

低样本图像生成的自适应特征插值

本文提出了一种新的潜在数据增强方法，利用无监督的学习方式在低数据量的情况下，针对生成模型中容易发散的问题进行了优化，实现了有效而稳定的训练，并生成了高质量的样本。实验结果显示，该方法在少样例学习生成任务中取得了很好的效果。

Dec, 2021