訓練 AI 模型需要大量的人力資源來獲取足夠的資料量，為了讓 AI 模型能夠更好地學習真實世界的狀況，我們需要擁有多樣性的資料集。然而，現實中許多類型的資料並不容易獲取，因此傳統影像擴增技術經常被用來增加資料量，但這些技術在多樣性要求方面存在局限性。

為了解決這一問題，我們使用生成式 AI 來取代傳統的影像擴增技術。生成式 AI 能夠創建出更加多樣化且具有真實感的影像，不僅提高了數據集的品質，還使得 AI 模型在學習時能夠更好地應對各種真實世界的情況。通過這種方式，我們能夠更高效地獲取所需的數據，同時減少人力資源的消耗。

方法

現今的生成式 AI 包括多種不同類型，常見的有自動編碼器（Autoencoder, AE）、變分自動編碼器（Variational Autoencoder, VAE）、生成對抗網絡（Generative Adversarial Networks, GAN）、正規化流（Normalizing Flow）和擴散模型（Diffusion Models）。

這些模型的訓練方式可以分為雜訊到影像（noise-to-image）、文本到影像（text-to-image）和影像到影像（image-to-image）等不同的任務。

在開發過程中，我們選擇了影像到影像（image-to-image）的訓練方式。通過使用成對的資料集訓練模型，我們能夠在輸入端精確控制生成影像的輪廓，並利用模型進行風格轉換，如天氣和場景的變換。這種方法不僅提升了生成影像的品質，還增強模型的靈活性和應用範圍，滿足了多樣化的產品需求。

結果