細粒度画像認識は，同じカテゴリ内の微細な違いを識別する画像分類タスクで，一般的な画像分類より分類難易度が高い．精度向上には十分な学習データが必要だが，詳細なラベル付けの難しさやデータ不足が課題である．本研究では，この課題を解決するために，画像生成モデルを活用した訓練時のデータ増強手法と，推論時のTest-Time Augmentation手法を提案する．訓練時には学習データから各クラスの特徴を学習し，新たな画像を生成する．推論時には，推論画像を学習データの構図に近づけた画像を生成する．両手法を使用した推論精度を検証し，訓練時および推論時の画像生成による精度向上効果を考察する．