基于增强-插值自编码器的无监督少样本图像生成
计算机视觉与模式识别
2020-11-30 v1 机器学习
摘要
我们旨在构建能够从少量样本泛化到新领域的图像生成模型。为此，我们首先研究了经典图像生成器的泛化特性，发现自编码器即使在高约束数据上训练，也能极好地泛化到新领域。我们利用这一洞察提出了一种鲁棒的无监督少样本图像生成算法，并引入了一种基于从数据增强中恢复图像的新训练过程。我们的增强-插值自编码器仅从少量参考图像即可合成新颖物体的逼真图像，并且优于先前的插值模型和有监督少样本图像生成器。我们的过程简单轻量、泛化广泛，且在训练期间不需要类别标签或其他监督。
引用
@article{arxiv.2011.13026,
title = {Augmentation-Interpolative AutoEncoders for Unsupervised Few-Shot Image Generation},
author = {Davis Wertheimer and Omid Poursaeed and Bharath Hariharan},
journal= {arXiv preprint arXiv:2011.13026},
year = {2020}
}