Oct, 2023

图像生成器的少样本混合域适应

PDF
TL;DR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。
发现论文，激发创造
  • UniHDA：走向通用的混合领域自适应图像生成模型

    提出了 UniHDA，一个统一且多用途的混合领域适应框架，利用来自多个领域的多模态参考将生成器适应到新的目标领域，并提出了一种新颖的跨领域空间结构（CSS）损失来保持源生成器与目标生成器之间的详细空间结构信息，实验证明该适应后的生成器能够综合具有不同属性组成的逼真图像。

    Jan, 2024

  • 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

  • 深度领域泛化的多组分图像转换

    通过生成对抗网络生成的合成数据和应用 DA 方法到 DG 场景的协议，作者提出了两种方法来解决领域泛化挑战，并在四个跨领域基准数据集上进行了大量实验。实验结果表明，所提出的模型在 DG 方面优于当前最先进的方法。

    Dec, 2018

  • 少样本对抗性域自适应

    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

  • 启发式域自适应

    本文提出了一种基于启发式搜索的领域不变和领域特定信息建模方法 —— 启发式领域自适应 (HDA)，并通过导出启发式表示约束，提出了一种启发式领域自适应网络 (HDAN)。实验证明，该方法在无监督 DA、多源 DA 和半监督 DA 等任务上均超过了现有最先进方法。

    Nov, 2020

  • 对抗式判别领域自适应

    本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法，并提出了一个新的对抗判别域自适应框架，称为 ADDA，它将判别建模、解除权重共享和 GAN 损失结合在一起，优于竞争的域对抗方法，且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。

    Feb, 2017

  • 零样本深度领域适应

    该研究提出了一种基于零样本学习的深度学习领域自适应方法（ZDDA），它可以在没有相关目标域数据的情况下进行任务迁移和传感器融合，并通过多个数据集的实验验证了其有效性。

    Jul, 2017

  • 基于对抗神经表示学习的异构域自适应：以电子商务和网络安全为例的实验

    该研究提出了一种新的框架 Heterogeneous Adversarial Neural Domain Adaptation (HANDA)，专门针对异构环境下的域自适应问题，通过统一的神经网络架构实现特征和分布的对齐以及域不变性，并在主要的图像和文本电子商务基准测试中表现出统计显著的预测性能提高。

    May, 2022

  • 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

  • 领域对抗深度图像生成用于领域泛化

    本文介绍了一种基于深度生成对抗网络的领域泛化方法，通过生成新的数据使学习模型适应未知的测试领域，从而提高模型的准确性和鲁棒性。

    Mar, 2020