限られたデータを用いた生成対抗ネットワークの訓練

少ないデータで生成的対抗ネットワーク（GAN）を訓練すると、通常は識別器の過学習が生じ、学習が発散する。本研究では、限られたデータ環境下での学習を著しく安定化するための、適応型識別器増強機構を提案する。この手法は損失関数やネットワークアーキテクチャの変更を必要とせず、初期から訓練する場合も、既存のGANを他のデータセット上で微調整する場合にも適用可能である。複数のデータセットにおいて、数千枚程度の訓練画像のみを用いても良好な結果が得られることを示した。その多くは、StyleGAN2と同等の性能を、データ量を1桁程度削減した状態で達成している。本手法により、GANの新たな応用分野が開かれることが期待される。また、広く用いられているCIFAR-10は実際には限られたデータのベンチマークであることが判明し、FIDスコアを5.59から2.42まで改善した。