Nvidia發(fā)展新的資料增強(qiáng)技術(shù)，可以大幅減少訓(xùn)練人工智能模型所需要的資料量，研究人員僅使用來自大都會(huì)藝術(shù)博物館的一個(gè)小型資料集，就讓人工智能模型能夠創(chuàng)造出，過去可能需要數(shù)萬，甚至可能超過10萬訓(xùn)練圖像，才能產(chǎn)生的精美圖像結(jié)果，而這項(xiàng)研究成果可用于廣泛的領(lǐng)域上，包括醫(yī)療保健等應(yīng)用。

Nvidia將一種稱為ADA（Adaptive Discriminator Augmentation）的技術(shù)，應(yīng)用在生成對(duì)抗網(wǎng)絡(luò)StyleGAN2模型上，使得訓(xùn)練圖像的資料量，可大幅減少10到20倍，而且獲得同樣良好的效果。生成對(duì)抗網(wǎng)絡(luò)（GAN）的特性之一，便是訓(xùn)練資料越多，模型產(chǎn)生的結(jié)果越好，生成對(duì)抗網(wǎng)絡(luò)由生成器（Generator）與判別器（Discriminator）兩個(gè)組件組成，生成器負(fù)責(zé)合成圖像，而判別器則要識(shí)別出圖像真?zhèn)?，并反饋有用的參?shù)給生成器，使得生成器之后能夠產(chǎn)生更好的結(jié)果。

但是一旦訓(xùn)練資料不足，判別器便無法提供生成器足夠的信息產(chǎn)生好結(jié)果，就像是新手教練沒有夠多的經(jīng)驗(yàn)指導(dǎo)球員，球員也就難以精進(jìn)球技一樣。因此生成對(duì)抗網(wǎng)絡(luò)通常需要5萬到10萬的訓(xùn)練圖像，才能訓(xùn)練出高品質(zhì)的模型，但問題是，在許多使用案例上，并沒有足夠多的樣本圖像可以取用，僅以數(shù)千張圖像訓(xùn)練生成對(duì)抗網(wǎng)絡(luò)，通常無法產(chǎn)生逼真的結(jié)果，而且會(huì)出現(xiàn)過適（Overfitting）的現(xiàn)象。

過去的研究也曾經(jīng)以資料增強(qiáng)的方法，減少訓(xùn)練生成對(duì)抗網(wǎng)絡(luò)所需要的資料量，但是結(jié)果并不好，因?yàn)樯蓪?duì)抗網(wǎng)絡(luò)反而學(xué)習(xí)了圖像旋轉(zhuǎn)變形等失真情形，無法產(chǎn)生逼真的合成圖像。而現(xiàn)在Nvidia所提出的ADA方法，可以適應(yīng)性地應(yīng)用資料增強(qiáng)方法，避免過適現(xiàn)象，而使得StyleGAN2等模型，可以使用更少的訓(xùn)練圖像，并獲得良好的結(jié)果。

研究人員將這項(xiàng)結(jié)果應(yīng)用在過去因?yàn)橛?xùn)練資料太少，而難以實(shí)現(xiàn)的使用案例上，像是藝術(shù)家便使用StyleGAN進(jìn)行創(chuàng)作，產(chǎn)生出各種精美繪畫，或是以傳奇插畫家Osamu Tezuka的風(fēng)格，搭建新的漫畫，Adobe也應(yīng)用該項(xiàng)技術(shù)，提供新的人工智能工具Neural Filters。

研究人員也提到，該項(xiàng)技術(shù)還有望應(yīng)用在醫(yī)療保健領(lǐng)域，因?yàn)楹币娂膊〉尼t(yī)學(xué)圖像很少，而且每個(gè)案例差異度很大，要大量收集有用的病理切片資料集很困難，而使用ADA技術(shù)的生成對(duì)抗網(wǎng)絡(luò)，則可改善這樣的問題。
責(zé)任編輯：YYX