NVIDIA的研究人員把開創性的神經網路訓練技術，用於NVIDIA StyleGAN2模型上，以大都會藝術博物館所提供不到 1,500 張圖片的極小資料集，創造出新的 AI 藝術。

圖為 StyleGAN2 與 ADA 以大都會藝術博物館 Collection API 所提供不到 1,500 張圖片資料集進行訓練而生成的圖像

NVIDIA的研究人員把開創性的神經網路訓練技術用於熱門的 NVIDIA StyleGAN2模型上，以大都會藝術博物館所提供不到 1,500 張圖片這麼小的資料集，用新的角度去審視藝術品。他們用 NVIDIA DGX系統來加快訓練速度，取材自歷史人物肖像，創造出新的 AI 藝術。

這項稱為自我調整判別器增強 (adaptive discriminator augmentation; ADA) 的技術，將訓練所需的影像數量減少了 10 到 20 倍，卻依舊能獲得良好的訓練成果。

生成對抗網路跟大多數神經網路一樣，長期以來始終遵循一個基本原則，也就是訓練資料越多，模型品質越好。原因在於每個生成對抗網路都由兩個合作的網路組成，一個負責建立合成影像的生成器，還有一個根據訓練資料學習逼真影像外觀相似程度的判別器。

判別器對生成器進行指導，對它生成的每個像素給予回饋，以協助提高合成影像的真實感。然而可供學習的訓練資料有限，判別器無法幫助生成器徹底發揮其潛力，就像是一個新手教練所經歷過的比賽場次，比經驗豐富的專家少得多。

通常要用上五萬到十萬張影像，才能訓練出一個高品質的生成對抗網路。但在多數情況下，研究人員手邊根本沒有幾萬或幾十萬張樣本影像可供使用。

如果只用幾千張影像來進行訓練，許多生成對抗網路會無法產生出極具逼真感的影像。判別器只是單純記住訓練影像，無法提供有用的回饋給生成器時，就會出現這個稱為過度擬合 (overfitting) 的問題。

NVIDIA Research的ADA方法，能夠以自我調整的方式來增強資料，代表在訓練過程中不同的時間點調整資料增強量，以避免過度擬合。此舉讓 StyleGAN2 這樣的模型就算使用少一個數量級的訓練影像，也能達到同樣驚人的效果。

NVIDIA 繪圖研究部門副總裁 David Luebke 表示：「這些結果代表人們可以使用生成對抗網路來解決問題，這些問題不是得耗費大量時間來取得海量資料，不然就是難以取得這麼大量的資料。我迫不及待地想看看藝術家、醫學專家和研究人員，會把這項技術用在哪些領域。」

這項新方法是NVIDIA研究人員在生成對抗網路創新傳統中的最新成果，這些研究人員開發出突破性的生成對抗網路模型，像是 AI 繪畫應用程式 GauGAN、遊戲引擎模仿程式 GameGAN 及寵物照片變臉程式 GANimal。這些應用程式可以在 NVIDIA AI Playground 上取得。