数据不够，用GAN来凑！
在计算机视觉领域，深度学习方法已全方位在各个方向获得突破，这从近几年CVPR 的论文即可看出。
但这往往需要大量的标注数据，比如最著明的ImageNet数据集，人工标注了100多万幅图像，尽管只是每幅图像打个标签，但也耗费了大量的人力物力。
说到标注这件事，打个标签其实还好，如果是针对图像分割任务，要对图像进行像素级标注，那标注的成本就太高了。跟专业的标注公司打过交道的朋友都知道，打标签、标关键点和标像素区域，所要付出的成本可大不同。
在医学影像领域，图像数据往往难以获取，而这又是一个对标注精度要求极高的领域。
最近几年，以GAN为代表的生成模型经常见诸报端，那能否用GAN破解标注数据不足的问题呢？
最近发现一篇论文Generating large labeled data sets for laparoscopic image processing tasks using unpaired image-to-image translation，来自德国国家肿瘤疾病中心等单位的几位作者，提出通过GAN对计算机合成的人体腹腔镜图像进行转换的方法，能够大批量得到与真实图像相似的合成图像，并在器官分割实验中，大大改进了真实图像的分割精度。非常值得一读。
下面是作者信息：
下图即为作者用计算机图形学方法合成的腹腔镜图像（A，下图第一列），和转换后的具有真实感的合成图像（Bsyn，下图第二列和第三列）。
CV君不是专业的医务人员，不过也可以看出转换后的图像的确比之前更具真实感。
方法介绍
作者使用Nvidia发布的MUNIT库进行图像转换，并进行了改进。
这是一个非成对数据的图像转换问题，作者使用一种循环loss，将A 域（模拟图）和B域（少部分真实图）进行循环的编码、生成、鉴别。
因为A 域内图像是计算机模拟出来的，所以天然的带有像素级标签。
作者的改进之处在于添加了MS-SSIM loss （Multi-Scale Structural Similarity，多尺度结构相似性损失函数），保证转换后图像结构相同。
另外，作者对编码器加入随机噪声，防止生成的纹理都完全相同。
下图为作者提供的训练数据的例子：
请注意，他们含有相似的目标，但很显然内容并不是匹配的，这样的训练数据是比较好找到的。
实验结果
作者用上述方法生成了10万幅图像，并在图像分割任务中验证了，这种合成数据对医学图像分割模型训练的价值。
下图对各种情况进行了分割结果比较：
Bv是原有真实数据，Bsyn是合成数据，I代表模型在Imagenet进行了预训练。
可见，使用这种合成数据大幅改进了分割精度。而在Imagenet数据集上预训练的结果更好。这种方法对你有什么启发？欢迎留言。