NVIDIA的研究人员把开创性的神经网路训练技术，用於NVIDIA StyleGAN2模型上，以大都会艺术博物馆所提供不到 1,500 张图片的极小资料集，创造出新的 AI 艺术。

图为 StyleGAN2 与 ADA 以大都会艺术博物馆 Collection API 所提供不到 1,500 张图片资料集进行训练而生成的图像

NVIDIA的研究人员把开创性的神经网路训练技术用於热门的 NVIDIA StyleGAN2模型上，以大都会艺术博物馆所提供不到 1,500 张图片这麽小的资料集，用新的角度去审视艺术品。他们用 NVIDIA DGX系统来加快训练速度，取材自历史人物肖像，创造出新的 AI 艺术。

这项称为自我调整判别器增强 (adaptive discriminator augmentation; ADA) 的技术，将训练所需的影像数量减少了 10 到 20 倍，却依旧能获得良好的训练成果。

生成对抗网路跟大多数神经网路一样，长期以来始终遵循一个基本原则，也就是训练资料越多，模型品质越好。原因在於每个生成对抗网路都由两个合作的网路组成，一个负责建立合成影像的生成器，还有一个根据训练资料学习逼真影像外观相似程度的判别器。

判别器对生成器进行指导，对它生成的每个像素给予回??，以协助提高合成影像的真实感。然而可供学习的训练资料有限，判别器无法帮助生成器彻底发挥其潜力，就像是一个新手教练所经历过的比赛场次，比经验丰富的专家少得多。

通常要用上五万到十万张影像，才能训练出一个高品质的生成对抗网路。但在多数情况下，研究人员手边根本没有几万或几十万张样本影像可供使用。

如果只用几千张影像来进行训练，许多生成对抗网路会无法产生出极具逼真感的影像。判别器只是单纯记住训练影像，无法提供有用的回??给生成器时，就会出现这个称为过度拟合 (overfitting) 的问题。

NVIDIA Research的ADA方法，能够以自我调整的方式来增强资料，代表在训练过程中不同的时间点调整资料增强量，以避免过度拟合。此举让 StyleGAN2 这样的模型就算使用少一个数量级的训练影像，也能达到同样惊人的效果。

NVIDIA 绘图研究部门??总裁 David Luebke 表示：「这些结果代表人们可以使用生成对抗网路来解决问题，这些问题不是得耗费大量时间来取得海量资料，不然就是难以取得这麽大量的资料。我迫不及待地想看看艺术家、医学专家和研究人员，会把这项技术用在哪些领域。」

这项新方法是NVIDIA研究人员在生成对抗网路创新传统中的最新成果，这些研究人员开发出突破性的生成对抗网路模型，像是 AI 绘画应用程式 GauGAN、游戏引擎模仿程式 GameGAN 及宠物照片变脸程式 GANimal。这些应用程式可以在 NVIDIA AI Playground 上取得。