CVPRJan, 2023

图像生成器的域扩展

PDF
TL;DR该文提出了一个新的任务 - 领域扩展，通过最小扰动原有表示的方式最大化表示新的相关领域并利用未被使用的 “休眠” 方向重构表示新领域，同时发现预训练生成器具有添加新领域的能力，实验结果表明，通过该方法扩展模型能代替多个领域模型，同时支持领域之间平滑过渡和组合。
domain expansionpretrained generatorlatent spacedormant directionsnew domains
发现论文，激发创造
  • 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

  • 使用多个潜在领域的混合模型进行领域泛化

    该研究使用多种潜在领域混合的方式来提高神经网络的领域泛化能力，通过聚类将样本分为不同的领域，并通过对抗学习训练领域不变特征提取器来发现潜在领域，并利用风格特征进行聚类，达到不需要使用领域标签的领域泛化模型的训练。该方法表现优于传统的领域泛化方法，包括使用领域标签的方法。

    Nov, 2019

  • 基于渐进式领域扩展的单领域泛化网络

    本文提出了一种新的学习框架，名为渐进域扩展网络（PDEN），用于单域泛化。该方法通过扩展训练域的覆盖范围来学习跨域不变表示，并使用对应的对策提高了应用实践中的泛化性能。PDEN 表现出与现有最先进单域泛化方法相比高达 15.28% 的改进。

    Mar, 2021

  • 领域密度转换的域不变表示学习

    本论文提出了一种基于对抗生成网络的方法，通过学习域间变换的不变性来实现域不变表示的学习，以解决领域泛化问题，并在多个广泛使用的数据集上取得了与最先进模型竞争的结果。

    Feb, 2021

  • 模块化生成对抗网络

    本文介绍了一种名为 ModularGAN 的多领域图像生成和图像到图像转换的方法，利用可复用和可组合的不同功能模块（例如编码、解码、变换）同时训练，并在测试时根据具体的图像转换任务组合这些模块，以显著提高生成（或转换为）任何所需领域图像的灵活性，并在多领域面部属性转移方面胜过现有方法。

    Apr, 2018

  • 通过视觉领域提示生成适应分布转变

    提出一种在测试时使用少量无标签数据进行模型适应以应对分布偏移的方法，通过利用预训练模型和源域的相关信息从有限数据中提取领域知识，并通过建立知识库、领域特定提示生成器、引导模块、领域感知对比损失和元学习等技术实现领域知识的提取。在多个基准测试中验证了该方法，表明该方法在领域知识提取方面优于之前的工作。

    May, 2024

  • 基于模型的领域通用化

    本篇论文提出了一种基于模型的域泛化方法，通过对数据生成过程和同变性条件的建模，将域泛化问题转化为一个无限维的有约束统计学习问题，并利用非凸对偶理论发展了有约束松弛的统计问题，提出了具有收敛保证的域泛化算法，并在 ColoredMNIST，Camelyon17-WILDS，FMoW-WILDS 和 PACS 等基准测试中取得了高达 30 个百分点的改进。

    Feb, 2021

  • 图像生成器的少样本混合域适应

    通过引入新的任务 —— 少样本混合领域适应（HDA），本研究在给定源生成器和多个目标领域的情况下，提出了一种方向子空间损失的判别器无关框架，以获取保留所有目标领域综合属性的适应生成器，并保留源领域的特征。实验证明，该方法可以在单个适应生成器中获得许多领域特定属性，超过了基准方法在语义相似度、图像保真度和跨领域一致性方面的表现。

    Oct, 2023

  • 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

  • 利用网络潜在张量分解进行渐进式多领域学习

    本文提出了一种增量学习方法，基于 Tucker 分解来跨领域学习和任务学习，不会产生灾难性遗忘，此方法在 Visual Decathlon Challenge 的 10 个数据集上展现出了紧凑表示的效果和与其他方法相当的性能。

    Apr, 2019