用于有限数据下基于似然的生成模型训练的阶段性数据增强
计算机视觉与模式识别
2024-03-19 v2 机器学习
图像与视频处理
摘要
生成模型擅长创建逼真图像，但其训练对大规模数据集的依赖带来了显著挑战，尤其在数据收集成本高昂或困难的领域。当前的数据高效方法主要聚焦于 GAN 架构，在训练其他类型生成模型方面存在空白。我们的研究引入“阶段性数据增强”作为一种新技术，通过在不改变固有数据分布的情况下优化有限数据场景下的训练来填补这一空白。通过在整个学习阶段限制增强强度，我们的方法增强了模型从有限数据中学习的能力，从而保持保真度。应用于集成 PixelCNNs 与 VQ-VAE-2 的模型时，我们的方法在多个数据集上的定量与定性评估中均展现出优越性能。这代表了基于似然模型高效训练的重要进展，将 data augmentation 技术的实用性扩展到了 GAN 之外。
引用
@article{arxiv.2305.12681,
title = {Phased Data Augmentation for Training a Likelihood-Based Generative Model with Limited Data},
author = {Yuta Mimura},
journal= {arXiv preprint arXiv:2305.12681},
year = {2024}
}