Evaluation and Comparison of Emotionally Evocative Image Augmentation Methods

这篇论文探讨了一种使用生成对抗网络（GANs）创建情感计算刺激数据集的方法。情感计算实验基于刺激数据集，这些数据集在标准化过程中接收描述每个刺激引发哪些情绪的元数据。传统的数据集准备方法耗时费力，促使我们探索替代方法。我们使用各种GAN架构进行了实验，包括深度卷积GAN、条件GAN、辅助分类器GAN、渐进增强GAN和Wasserstein GAN，以及数据增强和迁移学习技术。我们的研究结果突显了在生成情感激发的合成图像方面有很大的潜力，为未来的研究和改进提供了有希望的进展。

使用生成对抗网络（GAN）创建情感计算的刺激数据集，以解决传统数据集准备方法的成本和时间消耗问题。

本文探索使用各种GAN架构、数据增强和迁移学习技术生成情感计算的合成图像，为未来研究和改进提供了显著的潜力。

实验中使用了Deep Convolutional GAN、Conditional GAN、Auxiliary Classifier GAN、Progressive Augmentation GAN和Wasserstein GAN等GAN架构，以及数据增强和迁移学习技术。研究发现，使用GAN生成情感计算的合成图像是有前途的，这为未来的研究和改进提供了显著的潜力。

最近的相关研究包括：1）使用GAN生成合成图像的其他应用；2）情感计算中使用的其他数据集准备方法。