生成对抗网络中的数据实例先验 (DISP)
计算机视觉与模式识别
2021-09-22 v2
摘要
生成对抗网络 (GAN) 的最新进展在生成高质量图像方面取得了显著进步。然而，这种性能提升依赖于大量训练数据的可用性。在数据有限的场景下，训练通常会发散，因此生成的样本质量低且缺乏多样性。先前的工作通过利用迁移学习和数据增强技术来解决低数据设置下的训练问题。我们提出了一种针对有限数据领域 GAN 的新型迁移学习方法，利用从在多样化源域上训练的自监督/监督预训练网络中提取的信息性数据先验。我们使用多种 GAN 架构 (BigGAN、SNGAN、StyleGAN2) 在多个标准视觉数据集上进行实验，证明所提方法能有效地将知识迁移到仅有少量目标图像的领域，在图像质量和多样性方面优于现有的最先进 (state-of-the-art) 技术。我们还展示了数据实例先验在大规模无条件图像生成中的效用。
引用
@article{arxiv.2012.04256,
title = {Data InStance Prior (DISP) in Generative Adversarial Networks},
author = {Puneet Mangla and Nupur Kumari and Mayank Singh and Balaji Krishnamurthy and Vineeth N Balasubramanian},
journal= {arXiv preprint arXiv:2012.04256},
year = {2021}
}
备注
Accepted at WACV 2022