跨域对应实现小样本图像生成
本文研究了如何在给定很少训练样本的情况下生成更多的特定领域图片，通过利用大规模且相关的预训练数据集，同时实现对不同领域的目标图片进行快速适应，进而生成高质量的渐进式图片。
Dec, 2020
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
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
本文介绍了一种 “Domain Transfer Network (DTN)” 算法，它可以通过学习生成一个映射函数，将一个领域中的样本转移到另一个领域，并能在保持其他函数不变的情况下，在包含多分类 GAN 损失的复合损失函数的指导下，增强互补函数，鼓励映射函数将样本从 T 到 T 自身，并且用于数字和面部图像等领域生成新的可信图像，同时保留它们的身份.
Nov, 2016
该论文介绍了一种结合少样本学习和领域适应思想的方法，使用表示损失和对抗损失来提取源域和目标域中的句子关系，从而解决跨域少样本关系抽取问题，并在 FewRel 数据集上证明了其优越性。
Dec, 2022
本文介绍了一种解决领域差异的简单有效方法：在目标域的未标记数据上进行基于自我训练的源域表示法预训练，从而改善在目标任务上的一次性性能。在 BSCD-FSL 基准测试中，本方法使目标域的一次性性能平均提高了 2.9 点。
Oct, 2020
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
提出了一种无监督的图像翻译框架，使用一对编码器加上一对生成对抗网络来提取不同域之间的高级特征以生成逼真的多样化样本。该框架在许多图像转化任务上展示出与最先进技术相竞争的结果。
Aug, 2020
在小目标数据上进行预训练的 GANs 会在生成图像时出现重复样本的问题，研究者提出了几种方法来解决这个问题，但当前缺乏一个统一的分析框架。该论文提出了一个框架来分析现有方法，并发现某些方法过于注重多样性维护，反而抑制了图像质量的提高。在此基础上，研究者提出了一种双重对比学习的方法来缓解多样性退化问题，实验结果表明该方法取得了较好的性能。
May, 2022