通用单次域自适应生成对抗网络

Sep, 2022

Generalized One-shot Domain Adaptation of Generative Adversarial Networks

Zicheng Zhang, Yinglu Liu, Congying Han, Tiande Guo, Ting Yao...

TL;DR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。

Abstract

The adaptation of a generative adversarial network (GAN) aims to transfer a pre-trained GAN to a target domain with limited training data. In this paper, we focus on the one-shot case, which is more challenging and rarely explored in previous works. We consider that the adaptation from

generative adversarial network one-shot adaptation entity transfer style transfer sliced wasserstein distance

发现论文，激发创造

单次生成对抗网络域自适应

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

无监督像素级域自适应生成对抗网络

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

人脸生成的单次域适应

本文提出了一种框架，通过迭代优化和样式混合技术，生成与给定 one-shot 示例相同分布的人脸图像，可用于增强下游任务的训练数据，并在检测人脸操作方面表现出较高有效性，与其他少样本领域适应方法相比具有优越性。

Mar, 2020

单镜头域自适应的域间差异控制：一个生成对抗网络方法

介绍了一种用于一次性域自适应的新方法，使用训练有素的 GAN 可以在域 A 和域 B 中生成图像，通过提出的算法可以将训练有素的 GAN 的任何输出从域 A 转换到域 B，相对于目前的技术水平，该解决方案有两个主要优点：首先，我们的解决方案实现了更高的视觉质量，例如显着减少了过度拟合；其次，我们的解决方案允许更多的自由度来控制域差距，即使用图像 I_B 的哪些方面来定义域 B。

Oct, 2021

GAN 转移：从有限数据生成图像

本研究探讨了利用预训练模型的知识迁移学习应用于生成式深度网络中的领域自适应，并发现该方法可以在目标数据有限时缩短收敛时间，显著提高生成图片的质量。

May, 2018

生成敌对网络用于视频到视频的域自适应

本文提出了一种名为 VideoGAN 的生成对抗网络，用于跨不同域传输基于视频的数据，并通过对结肠镜数据的实验验证，表明我们的 VideoGAN 可以显著提高多中心数据集上结直肠息肉分割的精度，并可用于将图像从阴天转换为晴天的任务。

Apr, 2020

从源到目标再到源：对称双向自适应 GAN

本研究提出了一种对称映射的生成对抗网络用于不同领域的图像之间进行双向的图像变换，并结合目标自我标记和新的一致性分类损失来优化生成器的输出，实验表明该方法能超越前人在四个基准数据集中无监督领域适应方面的最新研究进展。

May, 2017

零样本域自适应的条件耦合生成对抗网络

本文中，我们提出了带条件的联合生成对抗网络（CoCoGAN）来解决零样本域自适应（ZSDA）问题，在没有目标域数据的情况下训练 CoCoGAN 以完成领域自适应。通过在相关任务（RT）和不相关任务（IRT）中采用源域数据和双域数据进行训练，CoCoGAN 能够捕获两个不同任务的双域样本的联合分布，从而使其在图像分类方面优于现有的技术水平。

Sep, 2020

生成以适应：使用生成对抗网络对齐领域

本研究提出了一种使用生成对抗网络，在学习的联合特征空间中利用无监督数据来使源分布和目标分布更接近的方法，并在不同难度的实验环境中表现出卓越的性能，展示了我们方法的强大和广泛性。

Apr, 2017

Gated-GAN：用于多集合风格转移的对抗门控网络

本文提出了一种名为 Gated GAN 的多样式图像合成模型，该模型结合了编码器，门控变换器和解码器三个部分，可以实现在一个模型中转换多种样式的输入图像，同时通过辅助分类器识别样式类别，以稳定训练并提高合成图像质量。

Apr, 2019