Nvidia开发了新的数据增强技术，该技术可以大大减少训练人工智能模型所需的数据量。研究人员仅使用大都会艺术博物馆的少量数据集就可以创建人工智能模型。在过去，它可能需要数以万计。 ，它甚至可能超过100,000个训练图像，以产生精美的图像结果，并且这项研究的结果可以用于广泛的领域，包括医疗保健等应用。 Nvidia将一种称为ADA（自适应鉴别器增强）的技术应用于生成的对抗网络的StyleGAN2模型，从而可以将训练图像数据量大大减少10到20倍，并且可以获得相同的良好结果。生成对抗网络（GAN）的特征之一是训练数据越多，模型的结果越好。生成对抗网络由生成器和鉴别器两个部分组成，生成器负责合成图像，鉴别器必须识别图像的真实性，并将有用的参数反馈给生成器，以便生成器可以稍后产生更好的结果。但是，一旦训练数据不足，鉴别器就无法从生成器中提供足够的信息以产生良好的结果，就像新手教练没有足够的经验来指导玩家一样，玩家也很难得分。因此，生成对抗网络通常需要50,000至100,000的训练图像来训练高质量的模型，但是问题是，在许多用例中，没有足够的示例图像可用，只有数千个图像训练生成对抗网络通常会失败产生逼真的结果，并且会出现过度拟合的情况。过去的研究还使用了数据增强方法来减少训练对抗网络生成所需的数据量，但是效果不佳，因为对抗网络的生成已学会了图像旋转和变形的畸变，并且无法产生逼真的合成图像。现在，Nvidia提出的ADA方法可以自适应地应用数据增强方法来避免过度拟合，从而使诸如StyleGAN2之类的模型可以使用更少的训练图像并获得良好的结果。研究人员将此结果应用于过去由于培训材料太少而难以实现的用例。例如，艺术家使用StyleGAN创作和制作各种精美的绘画，或者以传奇插画家手冢治虫（Osamu Tezuka）的风格建造。对于新漫画，Adobe还将这项技术用于提供新的人工智能工具NeuralFilters。研究人员还提到，由于稀有疾病的医学图像很少，并且每种情况有很大不同，因此很难收集大量有用的病理切片数据，因此该技术也有望应用于医疗保健领域。机，并使用ADA生成针对网络的技术可以改善此类问题。