LatentAugment：通过引导式操控 GAN 潜空间的数据增强
计算机视觉与模式识别
2023-07-24 v1 机器学习
图像与视频处理
摘要
数据增强（DA）是一种增加训练数据数量与多样性的技术，从而缓解过拟合并改善泛化。然而，标准 DA 生成的用于增强的合成数据多样性有限。生成对抗网络（GANs）可通过生成具有真实图像外观的合成样本，释放数据集中额外的信息。然而，这些模型难以同时应对三个关键要求：保真度与高质量样本；多样性与模式覆盖；以及快速采样。事实上，GANs 可快速生成高质量样本，但模式覆盖差，限制了其在 DA 应用中的采用。我们提出 LatentAugment，一种克服 GANs 低多样性、从而开启在 DA 应用中使用的 DA 策略。在无外部监督下，LatentAugment 修改潜向量并将其移入潜空间区域，以最大化合成图像的多样性与保真度。它也对数据集与下游任务不可知。大量实验表明，LatentAugment 改善了从 MRI 到 CT 翻译的深度模型的泛化，优于标准 DA 以及基于 GAN 的采样。此外，相较于基于 GAN 的采样，LatentAugment 的合成样本展现出更优的模式覆盖与多样性。代码见：https://github.com/ltronchin/LatentAugment。
引用
@article{arxiv.2307.11375,
title = {LatentAugment: Data Augmentation via Guided Manipulation of GAN's Latent Space},
author = {Lorenzo Tronchin and Minh H. Vu and Paolo Soda and Tommy Löfstedt},
journal= {arXiv preprint arXiv:2307.11375},
year = {2023}
}