数据增强在生成对抗网络（GAN）的训练中扮演着至关重要的角色，它能提高生成器和判别器的多样性和鲁棒性。在 GAN 中，生成器创建合成数据，而判别器试图区分真实数据和虚假数据。数据增强对训练数据（例如图像）应用转换，如旋转、翻转或颜色调整，这有助于判别器学习不变特征。反过来，这迫使生成器产生更真实、更多样化的输出。例如，如果一个 GAN 在一个小型动物图像数据集上训练，应用随机裁剪或亮度变化可以防止判别器对微小细节过拟合，从而确保生成器不会利用这些弱点。如果没有数据增强，判别器可能会过快变得过于强大，导致生成器停滞不前。
GAN 训练中的一个关键挑战是模式坍塌（mode collapse），即生成器产生的输出变化有限。数据增强通过扩大训练数据的有效大小和多样性来缓解这一问题。当判别器看到经过增强的真实数据时，生成器就更难通过重复输出“欺骗”它。例如，如果一个 GAN 在手写数字数据集上训练，对真实数字添加轻微的旋转或扭曲会迫使生成器学习更广泛的笔画模式，而不是记住特定的角度。这在处理小型数据集时尤其有用，例如医学影像，其中收集大量标记数据是不切实际的。数据增强确保判别器保持一个动态目标，鼓励生成器探索更多的数据分布。
实际上，数据增强必须谨慎应用。过度增强真实数据（例如，极度模糊或不切际的转换）可能会在增强数据和原始数据分布之间造成不匹配，从而混淆生成器。常用技术包括几何变换（翻转、旋转）、噪声注入和色彩空间调整。扩散类增强或风格混合（用于 StyleGAN）等高级方法可以进一步增强多样性。开发者还应考虑在训练期间对真实数据和生成数据应用相同的增强，以防止判别器依赖于增强带来的伪影。例如，如果只翻转真实图像，判别器可能会学会将翻转的样本检测为“假”。平衡增强强度可确保 GAN 学习有意义的模式，同时不偏离目标数据分布。