GAN 和传统的增强技术在某种程度上有根本的不同：​​GAN 产生（并组合）以前在数据集中看到的模式，数据增强将模式添加到数据中。

经过深思熟虑的数据增强尝试添加数据中可能存在的变化。例如：在 arial 摄影中，围绕 z 轴的旋转是非常微不足道的，慷慨地添加它可能是明智之举，另一方面，在光谱中：例如，在计算机生成的卡通片中，你不会期望有太多的高斯噪声，并且您可能希望稀疏地使用它。

GAN 不添加信息，它们大多添加与您（我假设）要训练的 ConvNet 相同的本地化模式。GAN 提供的好处是您可以使用未标记的数据来训练您的卷积层，其中包含您可能在该领域中期望的概念。

其他朝着同一方向发展的技术，你可能想看看，是弱监督学习和自动编码（恕我直言，这与你最初的 GAN 想法非常接近）。

标准数据增强技术。

首先，通过标准数据增强，我将指的是翻转图像（上/下、左/右）、仿射变换（旋转、平移、裁剪、剪切等）、调整图像的亮度/对比度等技术。图像，向图像添加噪声（盐和胡椒，高斯等）等等。

在描述标准与 GAN 增强的优缺点之前，我们应该注意为什么数据增强是有效的。简而言之，深度神经网络具有记忆较小数据集的能力，导致它们过度拟合。他们受益于更多的图像和更多的图像种类。数据增强是一种从现有图像生成新图像的方法，这些图像具有与原始图像相同的语义内容。例如，如果我有一个猫的图像并且我翻转它，它仍然是一只猫；然而，网络认为这是一个新形象。这些技术非常有效，甚至可以用于不存在上述问题的大型数据集，以进一步提高其性能。

标准数据增强技术存在哪些问题？

主要问题是我们可以使用的增强策略因输入图像而异。例如，mnist数据集是机器学习中最流行的数据集之一，用于识别手写数字。在这种情况下，我们不能翻转图像或过度旋转它们。另一种情况是遵循严格格式的医学图像。例如，MRI 是居中的、对齐的、横向/水平不对称的，并且在亮度和对比度方面有些标准化。这严重限制了我们可以完成的增强功能。这使得他们的应用程序在大多数情况下都是临时的。

使用标准数据增强技术的缺点

• 可能会损坏图像的语义内容（例如旋转太多可能导致“6”变成“9”，或者翻译太多可能导致感兴趣的对象从图像中掉出来）。
• 增强方案取决于问题。
• 经验/临时应用程序。
• 朴素方法：一次只看一张图像，无法从整个数据集中收集信息。

这些技术可能会促使我们使用更先进的数据增强技术，即使用 GAN 生成合成图像。事实上，如果做得好，GAN 增强将解决所有这些问题。

但是，它们也有其缺点。

使用 GAN 进行数据增强的缺点。

• 他们需要培训。训练 GAN 可能需要很多时间，而且这不是最简单的事情。
• 它们不能在线申请。相反，在训练之后，您需要生成一个合成图像池并将它们添加到您的原始数据集中。

最后一句话

尽管我将一种技术与另一种技术进行比较，但我想指出，使用一种技术并不能排除另一种技术。事实上，我们发现结合标准和基于 GAN 的增强比单独的增强更有帮助。

如果您更感兴趣，可以阅读我们所做的这项研究，该研究侧重于使用 GAN 在医学图像中进行数据增强。

虽然这里的所有答案都是正确的，但我想为此添加一个新的视角。

您可以将常见的数据增强技术视为对数据的分布曲线进行四舍五入。也就是说 - 如果您的数据集的某些特征应该看起来像高斯曲线，但现在还不是，那么数据增强技术将有助于增加数据样本和方差，以使曲线朝着理想的、自然发生的或统计的方向发展预期的形式。因此，您的起点是更多的数据样本，并且您以更好看更理想的（基于您的应用程序）分布曲线结束。

另一方面，生成对抗网络从您已经拥有的分布曲线开始，并生成符合（或同意）已经建立的分布曲线的数据样本。类似于具有预定义分布的随机数生成器，以符合 - 均匀、高斯、罗利等。

因此，这里有一个通用指南（并非总是适用），您可以使用它来构建此讨论。当您在数据中看不到预期的统计属性时，请使用数据增强技术。这可能是由于缺乏差异和/或数据短缺。您可能需要传统的数据增强技术。

一旦您在数据中拥有理想（或最接近理想）分布，或者您知道数据的理想分布应该是什么，使用 GAN 综合生成更多数据以进行半监督学习、进一步训练和改进模型泛化和鲁棒性.

有关数据增强的更多信息，请在此处查看我们的博客。

这取决于你的 GAN 有多好。

如果生成器经过足够好的训练并且它产生了非常好的误报示例，那么这可能是一种很好的增强技术。

看看这个，还有这个。