LFS-GAN: 终身少样本图像生成
本文研究了生成模型中的终身学习问题，提出了一种使用知识蒸馏的解决方案，可以在保持之前任务能力不变的同时完成新的任务，该方法适用于不同的有条件图像生成设置。
Jul, 2019
本文提出了一种新的少样本生命周期学习方法，通过仅训练模型的部分参数来防止过拟合，同时最大程度上减少了灾难性遗忘，并通过减小新旧类别原型之间的余弦相似度以最大化它们的分离来提高分类性能，同时还证明了结合自我监督的方法可以显著提高模型性能。
Mar, 2021
本研究提出了一个参数高效的框架，Piggyback GAN，通过将上一个任务训练的模型的滤波器分解来学习当前任务，解决了现代深度神经网络的大规模遗忘问题，并在不同领域的各种图像生成任务上进行了验证。
Apr, 2021
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
为解决生命周期学习中的灾难性遗忘问题，提出了一种基于生成式对抗网络记忆的方法，通过形成视觉上差异化的目标生成来记忆数据流，实现无遗忘学习。该方法通过基于先前任务的信息前向传递和调制来体现生命周期学习，证明了其在生命周期分类问题上相对于现有方法的优越性和有效性。
Jun, 2020
本文介绍了一种基于学生 - 教师 VAE 架构的无监督生成建模的终身学习方法，通过引入一种新的跨模型正则化器，以减少神经网络在连续学习情况下面临的灾难性干扰，并在多个数据集上验证了其性能。
May, 2017
本研究利用变分自编码器（vae）设计了一种高效有效的终身生成模型，通过扩展 vae 的内在重构特性到历史知识保留，开发了一种反馈策略来减轻错误积累，实验结果验证了该方法在终身生成任务中的有效性。
Jan, 2022
本文提出了一种新的寿命人脸合成模型，可以有效地建模纹理和形状的非线性年龄变换及保持身份特征，通过分离形状、纹理和身份因素以及设计两种变换模块来提高生成对于年龄和身份的敏感性和保持身份特征，实验证明其优于现有技术。
Aug, 2021
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
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