本文提出了一种新的潜在数据增强方法,利用无监督的学习方式在低数据量的情况下,针对生成模型中容易发散的问题进行了优化,实现了有效而稳定的训练,并生成了高质量的样本。实验结果显示,该方法在少样例学习生成任务中取得了很好的效果。
Dec, 2021
本文针对生成对抗网络的图像到图像转换领域中,数据有限导致过拟合的问题,提出了一种数据增强方法(ReMix)。该方法通过对特征进行插值,并结合基于感性关系的内容损失函数,实现了通过合成训练数据来强制鉴别器泛化以降低过拟合的目的。在多项实验中,GAN 模型结合 ReMix 方法的性能得到了显著的提升。
Mar, 2021
本文研究了生成式对抗网络(GAN)在非监督学习中的应用,提出了一种通过适应性混合实现鲁棒图像分类的简单而有效的方法,名为 AdaptiveMix,可以提高生成样本的图像质量。同时,还证明了 AdaptiveMix 可以进一步应用于图像分类和 Out-Of-Distribution(OOD)检测任务,极大地提升了 baseline 的性能。
Mar, 2023
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
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
利用预训练的跨域远程监督来降低过拟合,使用锚定策略以鼓励不同程度的真实感,实现源域和目标域之间的自动对应和生成更多样化和逼真的图像的少样本学习模型。
Apr, 2021
通过利用先前训练好的生成模型,通过领域自适应的方式,基于有限数量的训练数据从而实现了少样本 3D 形状生成,该方法能够在保持多样性的同时避免过度拟合,并通过多种度量评估了生成的质量和多样性。
May, 2023
本文提出了一种基于对抗生成网络的模型 GM-GAN,其中对概率分布进行了控制,使得模型在高维度多样化数据集上的表现得以提高,并在合成图像和真实数据集上进行了多次实验证明了该模型的性能等方面的优势。
Aug, 2018
本文提出了一种新型 GAN 变体 Mixutre Density GAN,通过在判别器嵌入空间中形成聚类来打破生成器的模式崩塌问题,从而发现不同的数据模式,并在生成高质量图像方面表现出色。
Oct, 2018
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