Nvidia發展新的資料增強技術,可以大幅減少訓練人工智慧模型所需要的資料量,研究人員僅使用來自大都會藝術博物館的一個小型資料集,就讓人工智慧模型能夠創造出,過去可能需要數萬,甚至可能超過10萬訓練圖像,才能產生的精美圖像結果,而這項研究成果可用於廣泛的領域上,包括醫療保健等應用。

Nvidia將一種稱為ADA(Adaptive Discriminator Augmentation)的技術,應用在生成對抗網路StyleGAN2模型上,使得訓練圖像的資料量,可大幅減少10到20倍,而且獲得同樣良好的效果。生成對抗網路(GAN)的特性之一,便是訓練資料越多,模型產生的結果越好,生成對抗網路由生成器(Generator)與判別器(Discriminator)兩個元件組成,生成器負責合成圖像,而判別器則要辨識出圖像真偽,並回饋有用的參數給生成器,使得生成器之後能夠產生更好的結果。

但是一旦訓練資料不足,判別器便無法提供生成器足夠的資訊產生好結果,就像是新手教練沒有夠多的經驗指導球員,球員也就難以精進球技一樣。因此生成對抗網路通常需要5萬到10萬的訓練圖像,才能訓練出高品質的模型,但問題是,在許多使用案例上,並沒有足夠多的樣本圖像可以取用,僅以數千張圖像訓練生成對抗網路,通常無法產生逼真的結果,而且會出現過適(Overfitting)的現象。

過去的研究也曾經以資料增強的方法,減少訓練生成對抗網路所需要的資料量,但是結果並不好,因為生成對抗網路反而學習了圖像旋轉變形等失真情形,無法產生逼真的合成圖像。而現在Nvidia所提出的ADA方法,可以適應性地應用資料增強方法,避免過適現象,而使得StyleGAN2等模型,可以使用更少的訓練圖像,並獲得良好的結果。

研究人員將這項結果應用在過去因為訓練資料太少,而難以實現的使用案例上,像是藝術家便使用StyleGAN進行創作,產生出各種精美繪畫,或是以傳奇插畫家Osamu Tezuka的風格,繪製新的漫畫,Adobe也應用該項技術,提供新的人工智慧工具Neural Filters。

研究人員也提到,該項技術還有望應用在醫療保健領域,因為罕見疾病的醫學圖像很少,而且每個案例差異度很大,要大量收集有用的病理切片資料集很困難,而使用ADA技術的生成對抗網路,則可改善這樣的問題。


熱門新聞

Advertisement