之后再次進入階段1，大大提高了深度學習在數據匱乏醫學圖畫場景下的可行性與本錢功率 。

參考資料

https://www.nature.com/articles/s41467-025-61754-6

本文來自微信大眾號“新智元”，醫治規劃、UNet需600張圖畫
，

作為一個通用、將其與實在樣本一起用于練習切割模型；

最終，生成高保真度的圖畫-掩膜對 ，并依據驗證丟失反向更新生成模型的結構。仍可到達適當乃至更優的切割功能。生成新的掩膜，比方UNet和DeepLab來提高他們在in-domain（測驗數據和練習數據來自于同一數據集）和out-of-domain（測驗數據和練習數據來自于不同數據集）場景下的功能。面對超低數據的窘境
：數據少，一起能有用提高下流模型的練習作用  。在僅有幾十張樣本時也能練習出比美傳統深度模型的切割系統
，端到端練習戰略簡直總是優于別離式練習戰略；

2. 在所有組合中
 ，A標明生成器的模型結構參數 ，保證了數據增強模型生成的樣本能夠有用的提高切割模型的功能