AdAM：基于适应感知核调制的少样本图像生成方法
计算机视觉与模式识别
2023-11-14 v3
摘要
少样本图像生成（FSIG）旨在给定少量（例如 10 张）训练样本的情况下，学习生成新颖且多样的图像。近期工作通过利用在大规模源域上预训练的 GAN 并将其用少量目标样本适应到目标域来解决 FSIG。近期 FSIG 方法的核心在于知识保留准则，其挑选并保留一部分源知识到适应后的模型中。然而，现有方法的一个主要局限是，其知识保留准则仅考虑源域/任务，而在选择源知识时未能考虑目标域/适应过程，这令人怀疑它们对于源域与目标域邻近程度不同的设置是否合适。我们的工作做出两点贡献。首先，我们重访近期 FSIG 工作及其实验。我们揭示，在放宽源域与目标域邻近假设的设置下，许多仅考虑源域知识保留的现有 state-of-the-art (SOTA) 方法与基线方法相比并无优势。作为第二点贡献，我们提出了适应感知核调制（AdAM）用于不同源-目标域邻近程度的通用 FSIG。大量实验表明，AdAM 在 FSIG 中持续达到 SOTA 性能，包括在源域与目标域相距更远的挑战性设置中。
引用
@article{arxiv.2307.01465,
title = {AdAM: Few-Shot Image Generation via Adaptation-Aware Kernel Modulation},
author = {Yunqing Zhao and Keshigeyan Chandrasegaran and Milad Abdollahzadeh and Chao Du and Tianyu Pang and Ruoteng Li and Henghui Ding and Ngai-Man Cheung},
journal= {arXiv preprint arXiv:2307.01465},
year = {2023}
}
备注
32 pages, update additional information, discussion, and experimental sections compared to NeurIPS-22 version: arXiv:2210.16559. arXiv admin note: substantial text overlap with arXiv:2210.16559