生成对抗网络（GAN）的最新成功证实了在GAN训练中使用更多数据的重要性。然而，在许多领域（例如医疗应用）中收集数据是昂贵的。数据增强（DA）已在这些应用程序中应用。在这项工作中，我们首先认为经典的DA方法可能会误导生成器以学习增强数据的分布，这可能与原始数据的分布有所不同。然后，我们提出一个有原则的框架，称为GAN的数据增强优化（DAG），以便能够在GAN培训中使用增强数据来改善对GAN的学习。原版的分配。我们提供了理论分析，以证明我们提出的DAG与原始GAN保持一致，可以最大程度地减少Jensen-Shannon（JS）之间的差异。原版的分布和模型分布。重要的是，提出的DAG有效地利用了扩充后的数据来改善对鉴别器和生成器的学习。我们进行了将DAG应用于不同GAN模型的实验：使用自然图像和医学图像的数据集将DAG应用于无条件GAN，有条件GAN，自我监督GAN和CycleGAN。结果表明，DAG在这些模型之间实现了一致且显着的改进。此外，当在某些GAN模型中使用DAG时，系统会建立最先进的Fréchet起始距离（FID）分数。我们的代码可用（ https://github.com/tntrung/dag-gans ）。



"点击查看英文标题和摘要"