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。

Oct, 2020

提出了 WaveGAN，一种面向少样本图像生成的频率感知模型，通过对多个频率组件的编码特征进行解耦，并通过低频跳过连接和高频跳过连接来生成高质量的图像，实验证明其在三个数据集上均取得了最先进的效果。

Jul, 2022

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

本文提出了一种两阶段的框架，用于加速合成高分辩率图像的训练过程，其通过已训练好的编码器和解码器网络将高分辨率图像变换为小编码，并通过训练一种编码生成网络学习潜在编码的分布，生成器只学习生成小的潜在编码，最后通过解码器网络将生成的潜在编码转化为图像空间，提高了合成样本的质量，并在可用硬件资源的限制下大幅缩短了训练时间。

Sep, 2019

本文重点研究了如何从单张图像中学习生成模型，并提出了一些最佳实践，包括同时训练多个阶段以实现更好的结果，并与最先进的基线模型进行了比较。

Mar, 2020

本文提出了一种基于特征空间上的混合距离正则化的方法，用于训练现有的生成模型，以在少量样本的情况下增强其逼真性和多样性，从而解决 GANs 在训练数据不足时的过拟合问题和模式崩溃现象。

Nov, 2021

本研究针对无监督 few-shot 目标识别，使用两种 GAN 损失函数进行自监督学习，实验结果表明该方法在 Mini-Imagenet 和 Tiered-Imagenet 数据集上显著优于现有技术。

Aug, 2020

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

本文提出了一种创新的无监督学习高分辨率视频数据集的方法，通过将生成器模型设计为小的子生成器的堆栈，并以特定的方式训练模型来实现，每个子生成器都与其自己特定的鉴别器一起训练，并且在训练时，在每个相邻的子生成器对之间引入了一个辅助的子抽样层，以降低帧率和成本，并且使用少量的 GPU，这一方法的思想可以在生成器性能上远胜于之前的方法。

Nov, 2018

本文研究了从单个样本的无条件合成中快速生成动作的训练时间并通过精心调节损失函数权重以防止模式崩溃，通过在生成器和鉴别器模型中进行统计分析来实现转移学习，并在 Mixamo 基准测试中展示比原始 GAN 架构和单次扩散模型更高的质量和多样性，训练时间更快。最后，我们展示了改进的 GAN 在单次前向传递中混合和组合运动的能力。

Jun, 2024