Oct, 2020

生成对抗网络的小样本迁移学习

PDF
TL;DR该研究提出 Few-Shot GAN (FSGAN)，通过组件分析和学习预训练模型的奇异值，而固定奇异向量，以在少于 100 张图像的情况下进行 GAN 适应。在 5-100 张图像的挑战性少样本设置中，与现有的 GAN 适应方法相比，FSGAN 实现了显著的视觉质量提高。
generative adversarial networksfew-shot learningimage synthesiscomponent analysispretrained weights
发现论文，激发创造
  • 面向高保真度小样本图像合成的更快更稳定的 GAN 训练

    本文提出了一种轻量级的 GAN 结构，通过跳过层通道智能激发模块和自监督判别器训练作为特征编码器，实现少量样本进行高保真度图像的合成与生成。与 StyleGAN2 相比，本模型在数据和计算预算有限的情况下具有卓越的性能表现。

    Jan, 2021

  • F2GAN: 融合与填充 GAN 用于少样本图像生成

    本文提出了一种融合填充生成对抗网络（F2GAN）来解决少样本图像生成问题，该方法通过图像融合和填充细节，并通过鉴别器中的多模式寻求损失以及插值回归损失来保证生成图像的多样性。实验结果表明，该方法在 5 个数据集上的表现优异。

    Aug, 2020

  • 松弛空间结构对鲁棒性小样本生成模型适应的影响

    本论文提出了一种基于空间结构对少量数据进行对抗生成模型适配的方法，通过对源域和目标域的图像对进行跨域对齐，减轻目标生成模型过拟合和崩塌的问题，实验表明该方法在少样本学习中具有显著优势。

    Mar, 2022

  • MatchingGAN：基于匹配的少样本图像生成

    我们提出了一种基于匹配的生成对抗网络，包括匹配生成器和匹配鉴别器，可以在仅有少量图像的情况下生成新图像，并加以验证。

    Mar, 2020

  • 单次生成对抗网络域自适应

    研究如何转移使用 GAN 训练的一个图像领域到一个新的领域，只需一个目标图像；通过使用属性适配器和属性分类器的轻量级模块，对生成器和鉴别器进行改进，从而提高合成质量和多样性，并在训练过程中约束生成领域的多样性，不仅在各种设置下带来了具有吸引力的结果，而且能够在几分钟内提供稳健的收敛。

    Nov, 2021

  • 少样本 GAN 适应的光滑相似性正则化

    我们提出了一种新的平滑相似正则化方法，将预训练的 GAN 的平滑性从结构上不同的领域转移到少样本目标域，解决了现有方法在结构不同的源域和目标域之间容易出现训练不稳定性和记忆问题的限制，实验证明我们的方法在结构上不同的源目标域的情况下，显著优于现有的少样本 GAN 适应方法，而在结构相似的源目标域方面与现有技术达到相同水平。

    Aug, 2023

  • 面部属性操作的稀疏分组多任务生成对抗网络

    提出了一种分组生成对抗网络 (SG-GAN) 的方法，可在少量标记数据的情况下识别图像并进行多任务学习，通过实验验证在面部图像处理方面的优越性能。

    May, 2018

  • 通用单次域自适应生成对抗网络

    本论文提出一种新颖的框架，通过使用切片 Wasserstein 距离，固定样式，并引入辅助网络来解决风格和实体转移的广义单次适应任务，并使用变异拉普拉斯正则化来实现跨域对应关系，成功地在各种场景中展示了我们方法的有效性。

    Sep, 2022

  • 使用有限数据训练生成对抗网络

    本文提出一种自适应判别器增广机制，稳定有限数据中生成对抗网络的训练，无需改变损失函数或网络架构，适用于从头开始训练和调优现有 GAN 的情况，并在几个数据集上进行了实证分析，结果表明，仅使用少量的训练图像就可以获得好的结果，通常与 StyleGAN2 的结果相匹配，而使用的图像数量则少了一个数量级。此方法有望扩大 GAN 的应用领域，并发现 CIFAR-10 是一个有限数据基准，在此基础上改进了记录 FID（Fréchet Inception Distance) 由 5.59 到 2.42。

    Jun, 2020

  • LFS-GAN: 终身少样本图像生成

    提出了一种名为 LFS-GAN 的框架，用于解决在终身少样本图像生成任务中遇到的灾难性遗忘和过拟合问题，并通过引入 LeFT 和模式寻求损失方法实现了高质量、多样性图像生成，成为同领域的最新研究成果。

    Aug, 2023