低样本图像生成的自适应特征插值

ECCVDec, 2021

低样本图像生成的自适应特征插值

Adaptive Feature Interpolation for Low-Shot Image Generation

Mengyu Dai, Haibin Hang, Xiaoyang Guo

TL;DR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。

Abstract

Training of generative models especially generative adversarial networks can easily diverge in low-data setting. To mitigate this issue, we propose a novel →

generative models generative adversarial networks implicit data augmentation unsupervised learning few-shot generation

发现论文，激发创造

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

基于扩增感知的自监督学习，用于数据有效的 GAN 训练

提出了一种新型的、基于增强现实的自监督辨别器，并利用预测参数作为判别阈值，减弱了旧行的数据不变性，显著提升了数据效率，实验结果优于其他 GANs

May, 2022

基于 Mixup 距离学习的少样本图像生成

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

通过隐式对抗数据增强提升模型的弹性

通过融入对抗性和反对抗性扰动分布，增强样本的深度特征，适应性调整学习困难以适应每个样本的特征。同时，开发了一种基于元学习的框架，通过引入增强的效果并跳过显式的增强过程，优化分类器。在长尾学习、广义长尾学习、嘈杂标记学习和子种群转移学习等四种常见偏差学习场景中进行了广泛实验，实证结果表明该方法始终达到最先进的性能水平，突显其广泛适应性。

Apr, 2024

生成模型的自适应密度估计

该论文研究了无监督学习中生成模型的训练方法，提出了一种在对抗网络与似然训练之间进行混合训练的方法，其中使用深度可逆变换来解决概率和逆变换之间的冲突，实现了更好的生成样本和更高的似然性评估。

Jan, 2019

对抗性特征增强用于无监督域适应

本研究使用生成对抗网络（GANs）的目标函数来学习与源数据集不可区分的目标特征，并将其扩展到强制学习通过特征增强在特征空间进行培训的无监督域自适应任务。结果表明，强制进行域不变性和执行特征增强可以导致几个无监督域适应基准测试的优秀或相当的性能。

Nov, 2017

通过保持协方差的对抗增强网络进行小样本学习

本文介绍一种新的基于协方差保存的对抗增强网络模型，用于解决小数据训练下深度神经网络出现过拟合和灾难性遗忘的问题，其利用生成式对抗网络设计出的方法，可以生成逼真而多样化的样本，并显著提高了 ImageNet 基准测试结果。

Oct, 2018

通过不变统计损失训练隐式生成模型

通过无判别器方法训练一维隐式生成模型，然后扩展到多元情况，成功地学习真实分布并解决现有隐式方法存在的问题。

Feb, 2024

GAN 增强：使用生成对抗网络进行训练数据增强

本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

Oct, 2018

利用预训练的 GAN 生成有限数据

本研究利用预训练的大规模 GAN 模型在有限数据情境下实现了对感知明显目标领域的图像生成，提出了自适应滤波器调制（AdaFM）的方法，证明了此技术在限制数据生成方面的有效性。

Feb, 2020