图像生成中数据高效GAN的全面综述
计算机视觉与模式识别
2022-10-11 v2 人工智能
摘要
生成对抗网络（GANs）在图像合成中取得了显著成就。这些GAN的成功依赖于大规模数据集，成本过高。在有限训练数据下，如何稳定GAN的训练过程并生成逼真图像已引起更多关注。数据高效GAN（DE-GANs）的挑战主要源于三方面：（i）训练分布与目标分布失配，（ii）判别器过拟合，以及（iii）潜空间与数据空间失衡。尽管已提出许多增强与预训练策略来缓解这些问题，但仍缺乏系统综述来总结DE-GANs的性质、挑战与解决方案。本文从分布优化的视角重访并定义DE-GANs。我们总结并分析了DE-GANs的挑战。同时，我们提出一种分类法，将现有方法分为三类：数据选择、GANs优化和知识共享。最后但同样重要的是，我们尝试指出当前问题与未来方向。
引用
@article{arxiv.2204.08329,
title = {A Comprehensive Survey on Data-Efficient GANs in Image Generation},
author = {Ziqiang Li and Beihao Xia and Jing Zhang and Chaoyue Wang and Bin Li},
journal= {arXiv preprint arXiv:2204.08329},
year = {2022}
}
备注
Under review