面向更好对齐：基于等变特征旋转的少样本生成式适应
计算机视觉与模式识别
2025-12-25 v1
摘要
少样本图像生成旨在使用极少数训练图像有效适配源生成模型以匹配目标域。现有方法通常通过实例级或分布级损失函数引入一致性约束，直接在源域和目标域的潜在空间中对齐其分布模式。然而，这些策略常常不足：过严格的约束会放大域间差距的负面影响，导致内容失真或信息不足；而过松�的约束则可能未能有效利用源域。这种局限主要源于源域和目标域底层分布结构的固有差异。稀少的目标样本进一步恶化了这一问题，阻碍了对目标域分布的准确估计。为克服这些限制，我们提出等变特征旋转 (Equivariant Feature Rotation, EFR)，一种在自旋旋转的代理特征空间中在两个互补层面上对齐源域和目标域的适应策略。具体而言，我们在参数化李群中执行可适应的旋转，将源域和目标域特征转换到等变代理空间中进行对齐。这些可学习的旋转矩阵通过保持无失真的域内结构信息来弥补域间差距，而对齐优化则促进了源域知识向目标域的有效传递。实验表明，在多种常用数据集上，该方法显著提升了生成式模型在目标域内的性能。
引用
@article{arxiv.2512.21174,
title = {A Turn Toward Better Alignment: Few-Shot Generative Adaptation with Equivariant Feature Rotation},
author = {Chenghao Xu and Qi Liu and Jiexi Yan and Muli Yang and Cheng Deng},
journal= {arXiv preprint arXiv:2512.21174},
year = {2025}
}