面向少样本图像生成的自适应特征插值
计算机视觉与模式识别
2022-07-15 v3
摘要
生成模型尤其是生成对抗网络（GAN）的训练在低数据设定下容易发散。为缓解该问题，我们提出了一种新颖的隐式数据增强方法，可在无需标签信息的情况下实现稳定训练并合成高质量样本。具体而言，我们将判别器视为真实数据流形的度量嵌入，从而提供真实数据点之间的恰当距离。然后利用特征空间中的信息开发一种完全无监督且数据驱动的增强方法。在少样本生成任务上的实验表明，所提方法以数百个训练样本显著改进了强基线结果。
引用
@article{arxiv.2112.02450,
title = {Adaptive Feature Interpolation for Low-Shot Image Generation},
author = {Mengyu Dai and Haibin Hang and Xiaoyang Guo},
journal= {arXiv preprint arXiv:2112.02450},
year = {2022}
}
备注
ECCV'22. Code available at https://github.com/dzld00/Adaptive-Feature-Interpolation-for-Low-Shot-Image-Generation