AI 自给自足，用合成数据做训练，效果比真实数据还好

AI 生成的图像太逼真，为什么不能拿来训练 AI 呢？

可别说，现在还真有人这么做了。

来自香港大学、牛津大学和字节跳动的几名研究人员，决定尝试一下能否使用高质量 AI 合成图片，来提升图像分类模型的性能。

为了避免 AI 合成的图像过于单一、或是质量不稳定，他们还提出了几类提升数据多样性和可靠性的方法，帮助 AI 合成更好的数据集（来喂给 AI 的同类 doge）。

结果他们发现，不仅效果不错，有的 AI 在训练后，效果竟然比用真实数据训练还要好！

目前这篇论文已经被 ICLR 2023 收录。

把 AI 生成的数据喂给 AI

作者们分别从零样本（zero-shot）、少样本（few-shot）图像分类、模型预训练（pre-training）与迁移学习三个⽅⾯进⾏了探讨，并给出了提升数据多样性与可靠性的方法。

零样本图像分类

零样本（Zero-shot）图像分类任务，指没有任何⽬标类别的训练图⽚，只有对⽬标类别的描述。

作者们先是提出了一种名为语言增强（Language Enhancement，LE）的⽅法，用于增强合成数据多样性。

具体来说，这种方法会给标签"扩句"，如果原标签是简单的"飞机"，那么经过"扩句"后的提示词就会变成"一架盘旋在海滩和城市上空的白色飞机"。

随后，还采用了一种叫做 CLIP 过滤器（CLIP Filter）的⽅法确保合成数据的可靠性，即过滤掉合成质量不行的图片，确保 AI 数据质量过硬。

在 17 个数据集上，相⽐此前效果最好的 CLIP 模型，相关⼤⼩模型均获得了显著提升（4.31%/2.90%），展示了合成数据的有效性。

少样本图像分类

少样本图像（Few-shot）分类任务，通常仅有极少数量（1～16 张）的⽬标类别图⽚，与零样本任务的区别是增加了类别与任务特定领域信息。

因此，作者们决定将域内数据（in-domain）的知识⽤于图像⽣成，即将少量的⽬标类别图⽚⽤于噪声叠加的初始状态（Real Guidance），进⼀步发挥⽣成模型的能⼒，从而进⼀步提升性能。

预训练与迁移学习

模型预训练（pre-training）任务，即将模型在⼤量数据上进⾏训练，将训练后的模型作为"起始点"，来帮助提升下游任务的性能。

作者们利⽤合成数据，对模型进⾏了预训练，并对数据量、数据多样性程度、预训练模型结构和预训练⽅法进⾏了实验研究。

最终发现：

• ⽤合成数据进⾏预训练。已经可以达到甚⾄超越⽤真实数据预训练的效果。

• ⽤更⼤的数据量和数据多样性的合成数据，可以获得更好的预训练效果。

• 从模型结构和预训练⽅法来看，ViT-based 模型（相比 convolutional-based 模型）、⾃监督⽅法（相比有监督⽅法）会更适合合成数据下的预训练。

论文认为，利⽤⽣成模型产⽣的合成数据来帮助图像分类任务是可行的，不过也存在⼀定的局限性。

例如，如何处理特定任务的 domain gap 和数据多样性之间的 trade-off，以及如何更有效地利⽤潜在⽆穷量的合成图⽚⽤于预训练，都是需要进一步去解决的问题。

作者介绍

一作何睿飞，香港大学在读博士生 @CVMI Lab，指导老师为齐晓娟老师，本科毕业于浙江大学竺可桢学院，研究方向是 data-efficient learning, vision-language model, knowledge distillation, semi / self-supervised learning。CVMI Lab 正在招收计算机视觉与深度学习方向的博士生，感兴趣的伙伴可以直接 email 老师！

对于将 AI 合成图像用于预训练模型这件事，你还能想到更高效的方法吗？

论文地址：

https://arxiv.org/abs/2210.07574

项目地址：

https://github.com/CVMI-Lab/SyntheticData

本文来自微信公众号：量子位 （ID：QbitAI），作者：关注前沿科技