跨域对抗性数据增强：稳定医学与手写体数据稀缺情境下的GAN
计算机视觉与模式识别
2026-05-19 v2
摘要
生成对抗网络（GAN）可通过生成额外的训练样本来帮助解决计算机视觉任务中的数据稀缺问题。本文探讨了在两种低资源领域进行生成式数据增强：孟加拉手写体字符识别和胸部X光图像分析。我们使用在64x64图像上训练的DCGAN-based模型生成合成样本，并通过Inception Score（IS）、Fréchet Inception Distance（FID）以及t-SNE和UMAP等可视化方法评估其质量。为衡量实际用途，我们使用真实数据以及真实数据与合成数据组合的图像分类器进行训练。实验结果表明，合成数据增强在有限数据情境下提升了数据多样性并一致性地提高了分类性能。我们还探讨了训练稳定性技术，包括梯度惩罚和谱归一化，并对合成数据与真实数据的比例以及样本过滤策略进行消融研究。此外，我们讨论了医学图像评估、数据集许可以及合成数据隐私 concerns 的挑战。我们的做法简单、可复现，为资源受限的医学影像应用提供了强有力的基线。
引用
@article{arxiv.2605.01815,
title = {Cross-Domain Adversarial Augmentation: Stabilizing GANs for Medical and Handwriting Data Scarcity},
author = {Md. Sohanuzzaman Soad and Mahady Al Hady and S M Rafiuddin Rifat and Sudip Ghose},
journal= {arXiv preprint arXiv:2605.01815},
year = {2026}
}
备注
11 Pages, 7 figures, 2 tables