关于 GAN 训练中的数据增强
计算机视觉与模式识别
2021-02-24 v3 图像与视频处理
摘要
生成对抗网络（GAN）近期的成功印证了在 GAN 训练中使用更多数据的重要性。然而在诸多领域（如医学应用）收集数据成本高昂。数据增强（DA）已应用于这些场景中。本工作中，我们首先指出经典 DA 方法可能误导生成器学习增强后数据的分布，而该分布可能不同于原始数据的分布。随后我们提出一个称为面向 GAN 优化的数据增强（DAG）的原则性框架，以使增强数据可用于 GAN 训练以改进对原始分布的学习。我们提供理论分析表明，使用所提 DAG 与原始 GAN 在最小化原始分布与模型分布之间的 Jensen-Shannon（JS）散度上是一致的。重要的是，所提 DAG 有效利用了增强数据来改进判别器与生成器的学习。我们开展实验将 DAG 应用于不同 GAN 模型：使用自然图像与医学图像数据集的无条件 GAN、条件 GAN、自监督 GAN 与 CycleGAN。结果表明 DAG 在这些模型中取得了一致且显著的改进。此外，当 DAG 用于部分 GAN 模型时，系统建立了最先进的 Frechet Inception Distance（FID）分数。我们的代码已公开。
引用
@article{arxiv.2006.05338,
title = {On Data Augmentation for GAN Training},
author = {Ngoc-Trung Tran and Viet-Hung Tran and Ngoc-Bao Nguyen and Trung-Kien Nguyen and Ngai-Man Cheung},
journal= {arXiv preprint arXiv:2006.05338},
year = {2021}
}
备注
Accepted in IEEE Transactions on Image Processing