CSG0：零遗忘的连续城市场景生成
计算机视觉与模式识别
2022-05-03 v2
摘要
随着生成对抗网络（GANs）的快速发展，合成场景的视觉质量持续提升，包括面向自动驾驶应用的复杂城市场景。本工作研究一种连续场景生成设定，其中 GANs 在一系列不同域的数据流上训练；理想情况下，学习到的模型最终应能在所有已见域中生成新场景。该设定反映了在不同地点、不同时间持续获取数据的真实场景。在此连续设定下，我们旨在实现零遗忘学习，即因灾难性遗忘而导致早期域合成质量不下降。为此，我们引入一种新颖框架，不仅（i）支持连续训练中的无缝知识迁移，还（ii）以较小的额外开销保证零遗忘。得益于连续学习，我们的模型在内存效率更高的同时，相比为每个域训练一个完整模型的暴力解法获得了更好的合成质量。尤其在极端低数据条件下，我们的方法大幅优于暴力解法。
引用
@article{arxiv.2112.03252,
title = {CSG0: Continual Urban Scene Generation with Zero Forgetting},
author = {Himalaya Jain and Tuan-Hung Vu and Patrick Pérez and Matthieu Cord},
journal= {arXiv preprint arXiv:2112.03252},
year = {2022}
}
备注
Published at the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2022 Workshop on Continual Learning