簡介：英偉達開發新的數據增強技術，可以大大減少訓練人工智能模型所需的數據量。研究人員只使用大都會藝術博物館的一個小數據集，該數據集允許創建人工智能模型。以前可能需要幾萬。甚至超過10萬個訓練圖像也能產生漂亮的圖像結果，這個研究結果是可以得到的.

英偉達開發了新的數據增強技術，可以大大減少訓練人工智能模型所需的數據量。研究人員只使用大都會藝術博物館的一個小數據集，它使人工智能模型能夠產生美麗的圖像結果。在過去，要產生漂亮的圖像效果，需要數萬甚至十萬張以上的訓練圖像。研究結果可用于廣泛的領域，包括醫療保健和其他應用。

英偉達應用了一種叫做ADA(Adaptive Discriminator employment)的技術生成對抗網絡的StyleGAN2模型，大大減少了10到20倍的訓練圖像數據量，取得了同樣好的效果。生成對抗網絡(GAN)的一個特點是訓練材料越多，模型產生的結果越好。生成對抗網絡由兩部分組成：生成器和鑒別器。發生器負責合成圖像，而鑒別器識別圖像的真偽，并將有用的參數反饋給發生器，使發生器以后能產生更好的結果。

但是一旦訓練材料不足，鑒別器就無法提供足夠的信息讓生成器產生良好的效果，就像新手教練沒有足夠的經驗指導球員一樣，球員很難提高技術。所以訓練一個高質量的模型通常需要5萬到10萬個訓練圖像，但問題是在很多用例中，沒有足夠的樣本圖像可以使用，只用幾千個圖像訓練生成一個對抗網絡，通常無法產生逼真的效果，會出現Overfitting。

過去采用數據增強的方法來減少訓練和生成對抗網絡所需的數據量，但效果并不好，因為它沒有生成對抗網絡，而是學習了圖像旋轉、變形等失真，無法生成逼真的合成圖像。目前，英偉達提出的ADA方法可以自適應地應用數據增強方法，避免過度適應，使得StyleGAN2等模型可以使用較少的訓練圖像，獲得較好的效果。

研究人員將這一結果應用到過去的用例中，由于缺乏培訓材料，這些用例很難實現。例如，藝術家使用StyleGAN創作各種精美的繪畫，或者以傳奇插畫家手冢治蟲的風格創作新的漫畫。Adobe還應用這一技術提供了一種新的人工智能工具，神經過濾器。

研究人員還提到，這項技術有望應用于醫療保健領域，因為罕見疾病的醫學圖像很少，而且每個病例都有很大的差異，很難收集到大量有用的病理切片數據集。然而，使用ADA技術生成對抗網絡可以改善這個問題。