D3T-GAN：用于少样本图像生成的数据依赖域迁移 GAN
计算机视觉与模式识别
2022-05-13 v1 图像与视频处理
摘要
少样本图像生成作为一个重要且具有挑战性的问题，旨在给定少量样本的情况下通过训练 GAN 模型生成逼真图像。少样本生成的典型解决方案是将训练良好的 GAN 模型从数据丰富的源域迁移到数据匮乏的目标域。本文提出一种称为 D3T-GAN 的新型自监督迁移方案，解决少样本图像生成中的跨域 GAN 迁移问题。具体而言，我们设计了两种独立策略分别用于生成器与判别器之间的知识迁移。对于生成器间的知识迁移，我们进行数据依赖变换，将目标样本投影并重建到源生成器空间中，随后将知识从变换后的样本迁移到生成样本。对于判别器间的知识迁移，我们设计了从源判别器到目标判别器在真实与生成样本上的多级判别知识蒸馏。大量实验表明，我们的方法提升了生成图像的质量，并在常用数据集上取得了最先进的 FID 分数。
引用
@article{arxiv.2205.06032,
title = {D3T-GAN: Data-Dependent Domain Transfer GANs for Few-shot Image Generation},
author = {Xintian Wu and Huanyu Wang and Yiming Wu and Xi Li},
journal= {arXiv preprint arXiv:2205.06032},
year = {2022}
}