Synthesis of acne images for Data Augmentation with Generative Adversarial Networks

Abstract

Generative Adversarial Networks (GANs) are deep learning architectures known for their usefulness on synthesizing new images. Conditioned image generation or the synthesis of super-resolution images are some of their main uses, but they are also helpful when tackling particular image classification and segmentation problems. The latter application is the motivation for the work presented in this document. This work studies the synthesis of acne images for data augmentation, a procedure validated using said synthetic images to tackle an image classification problem.

Las Redes Generativas Antagónicas (GANs, en inglés) son arquitecturas basadas en el aprendizaje profundo conocidas por su utilidad en la síntesis de imágenes. La generación condicionada de imágenes o la síntesis de estas en super-resolución son algunos de sus usos principales, aunque son también útiles en ciertos problemas relacionados con la clasificación y segmentación de imágenes. Esta última aplicación es la motivación para el trabajo presentado en este documento. En este proyecto se estudia la síntesis de imágenes de acné para data augmentation, un procedimiento que será validado

Les Xarxes Generatives Antagòniques (GANs, en anglès) són arquitectures basades en l'aprenentatge profund conegudes per la seva utilitat en la síntesi d'imatges. La generació condicionada d'imatges o la síntesi d'aquestes en super-resolució en són alguns dels usos principals, tot i que són també útils en certs problemes relacionats amb la classificació i segmentació d'imatges. La darrera aplicació és la motivació per al treball presentat en aquest document. En aquest treball s'estudia la síntesi d'imatges d'acnè per a data augmentation, un procediment que serà validat mitjançant l'ús de les imatges sintètiques en un problema de classificació.