Это вряд ли добавит намного больше к вашим прямым усилиям по сбору данных.
Качество текущих выходов GAN (по состоянию на 2017 год) будет недостаточно высоким. Изображения, создаваемые GAN, обычно маленькие и могут иметь необычные / неоднозначные детали и странные искажения. В статье, на которую вы ссылаетесь, изображения, сгенерированные системой из предложения, имеют правдоподобные блоки цвета с учетом предмета, но без предложения, в котором вас ожидают, чего ожидать, большинство из них не распознаются как какой-либо конкретный предмет.
GAN с менее амбициозной целью, чем генерация изображений из предложений (что, несмотря на мою критику выше, поистине замечательный подвиг IMO), должны создавать более приближенные к фотореалистичным изображениям. Но их объем будет меньше и, вероятно, не будет включать в себя нужный тип изображения. Кроме того, обычно размер выходного документа является небольшим, например, 64x64 или 128x128 *, и все еще имеется достаточно искажений и двусмысленностей, чтобы исходные фотографии с истинной землей были бы гораздо предпочтительнее.
Сам GAN ограничен доступной библиотекой обучения - она не будет успешной, если вы попытаетесь сгенерировать изображения, выходящие за рамки его данных обучения. Результаты, представленные в исследовательской работе, конечно же, сфокусированы на области, предоставленной данными обучения. Но вы не можете просто вставить любое предложение в эту модель и ожидать результата, который был бы полезен в другом месте.
Если вы найдете GAN, который был обучен на подходящем наборе данных для вашей проблемы, то вам, скорее всего, лучше попытаться получить те же данные непосредственно для вашего проекта.
Если вы столкнулись с проблемой ограниченных данных об истинности земли, то, возможно, лучшим подходом к использованию GAN будет использование предварительно обученного классификатора, такого как VGG-19 или Inception v5, замена последних нескольких полностью подключенных слоев и настроить его на свои данные. Вот пример того, как это делается с использованием библиотеки Keras в Python - другие примеры можно найти с помощью поиска типа «точная настройка классификатора изображения CNN».
* Современные GAN стали лучше с тех пор, как я опубликовал этот ответ. Исследовательская группа Nvidia добилась значительных успехов в создании фотореалистичных изображений размером 1024x1024 . Однако это не меняет других моментов в моем ответе. ГАН не являются надежным источником изображений для задач классификации изображений, за исключением, может быть, подзадач из того, что уже изучено в ГАН, и которое способно генерировать условно (или, возможно, более тривиально, для предоставления исходных данных для «других» категорий в классификаторы).