data-efficient-gans

数据少也能训出高质量 GAN，可微增强一招搞定

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署图像生成 🍴 复刻 173 🐛 待处理 28 👀 关注 13

GitHub ↗

GitHub 星标 ★ 1311

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，BSD-2-Clause许可证，完全免费，可自行部署使用。

项目预览

data-efficient-gans 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类图像生成

开发团队mit-han-lab

GitHubhttps://github.com/mit-han-lab/data-efficient-gans

定价模式🏷️完全免费

价格说明开源项目，BSD-2-Clause许可证，完全免费，可自行部署使用。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议BSD-2-Clause

主要语言Python

技术栈/模型data-efficient,gans,generative-adversarial-network,image-generation,neurips-2020,pytorch,tensorflow

GitHub 星标★ 1311

上线时间2020-06-15 00:00:00

代码更新2024-09-24

仓库体积34.7 MB

本站数据更新2026-11-08

维护状态低维护

收录时间2026-08-09

浏览次数3

项目介绍

data-efficient-gans 是 NeurIPS 2020 论文《Differentiable Augmentation for Data-Efficient GAN Training》的官方实现，旨在解决 GAN 训练数据不足时容易过拟合、训练不稳定、生成质量差的问题。其核心创新是提出可微增强（Differentiable Augmentation）方法，在判别器输入端应用多种图像变换（如平移、裁剪、颜色抖动等），并确保增强操作可微，使梯度能正常回传，从而在不增加真实数据的情况下显著提升生成器的泛化能力。项目提供 PyTorch 和 TensorFlow 两种框架的实现，支持多种数据集（如 CIFAR-10、FFHQ、Animal Faces 等）和多种 GAN 架构（如 StyleGAN2、BigGAN、SNGAN），并附带预训练模型和训练配置。通过简单修改现有 GAN 代码即可集成该方法，在少量数据（如 1000 张图）下也能训练出高质量的生成模型，是数据稀缺场景下训练 GAN 的实用工具。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 1311

技术标签

gans generative-adversarial-network image-generation pytorch tensorflow

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：进阶约 15 分钟部署方式：本地安装 6 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

Python 环境（README 未标注具体版本）
已安装 PyTorch 或 TensorFlow 之一（二选一，对应仓库中两套实现）
git 命令行工具，用于克隆仓库
如需本地训练建议有 GPU，否则可用官方 Colab 教程

安装与启动步骤

1克隆仓库

把官方仓库拉到本地，后续所有 PyTorch/TensorFlow 实现都在这份代码的子目录里。
```
git clone https://github.com/mit-han-lab/data-efficient-gans.git
```
2进入项目目录

切换到克隆下来的仓库根目录，查看 DiffAugment-stylegan2 等子目录结构。
```
cd data-efficient-gans
```
3选择框架版本

PyTorch 版在 DiffAugment-stylegan2-pytorch 目录，TensorFlow 版在 DiffAugment-stylegan2 目录，二者按需选择。
4安装依赖

README 节选未给出具体安装命令，请打开所选子目录内的 README，按其说明安装依赖。
5获取数据集

README 提供了打包好的数据集下载链接，约 100 张图的训练设置可直接复现。
6用 Colab 试跑

官方 Colab 教程已发布，可在浏览器中直接体验 DiffAugment，无需本地配置环境。