如今，人工智能和机器学习已成为技术乃至主流新闻中的热门话题，但大多数人都将这些计算机在幕后所做的工作视为理所当然。他们惊人的壮举需要以仅计算机具备的速度浏览数以万计的相关数据。反过来，这意味着AI需要学习成千上万的数据，而情况并非总是如此。NVIDIA的研究部门现在在其创性对抗网络或GAN中拥有一个里程碑，即使在呈现非常小的数据集的情况下，它也可以使AI进行学习。
尽管GAN AI模型的名字叫“对抗性”，但实际上它使用了两个合作网络。例如，生成器创建图像，而鉴别器将其与参考图像进行比较，以评估它们是否与样式，对象或内容匹配。为此，鉴别器通常会馈入50,000到100,000范围内的训练图像，因为如果不多，就会创建一个鉴别器，该鉴别器只会记住参考文献，而无法区分合成图像。
这种现象称为过拟合，可以部分地通过所谓的数据增强来解决，该方法仅涉及随机旋转，调整大小，裁剪或翻转图像以扩展参考数量。但是，这会创建一个生成器，该生成器将学习模仿变形的图像，而不是学习如何正确地合成样式和主题。
NVIDIA Research的自适应数据增强或ADA试图通过在不同数据点之间分布数据增强来解决这两个问题。研究人员声称，这使他们能够创建一个新的StyleGAN2模型，该模型能够以比传统GAN所需的训练数据小10到20倍的训练数据集学习艺术风格。
NVIDIA Research的新AI的应用不仅限于为滤镜合成艺术风格，Adobe最有可能会感兴趣的是增强已经基于第一代StyleGAN的Photoshop的神经滤镜。当扫描或样本太小而无法像新型疾病或病症一样有效时，该AI也将能够从医学图像中学习。
