通过少样本方式定制你自己的配对数据

现有图像编辑任务的解决方案存在若干问题。尽管一些监督方法取得了令人非常满意的生成结果，但它们需要大量的配对训练数据，这极大地限制了其使用。其他无监督方法充分利用大规模预训练先验，因此严格局限于先验训练过的领域，在分布外情况下表现不佳。我们关注的任务是如何使用户仅通过少量图像对就能定制他们期望的效果。在我们提出的框架中，引入了一种基于样本间方向变换的新型少样本学习机制，并指数级扩展了可学习空间。采用扩散模型流程，我们重新设计了模型中的条件计算模块，并应用了若干技术改进。实验结果表明了我们的方法在各种情况下的能力。