基于生成对抗网络(GANs)的图像数据增强方法在近年来展现出了巨大的潜力。然而生成高分辨率、高保真图像通常需要大量训练数据，这和缺乏训练数据的现状背道而驰。为解决这一问题，提出了一种能够在小样本、高分辨率图像数据集上稳定训练的条件生成对抗网络模型，并且将该模型用于数据增强。实验结果表明，在基准数据集上，该模型与当前最新模型相比能够生成更加逼真的图像并取得了最低的FID值；在图像分类任务中使用其进行数据增强能够有效缓解分类器的过拟合问题。
科研之友
微信
新浪微博
Facebook
分享链接
