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

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

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

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

采用对抗训练来学习嵌入的子空间，同时最大化两个域之间的混淆并在语义上对齐它们，解决了少量有标签目标数据样本的深度模型的有监督域自适应问题。

Nov, 2017

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

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生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

Dec, 2016

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

本文提出了一种面向 Few-Shot 自监督对比学习的域自适应方法 Few-Max，旨在解决在目标分布下自适应问题。使用各种来源和目标数据集对 Few-Max 进行了评估，证明其在表示质量方面始终优于其他方法。

Jun, 2022