DAWSON：一种面向生成对抗网络的域自适应少样本生成框架
机器学习
2020-01-06 v1 声音
音频与语音处理
机器学习
摘要
从头开始为新域训练生成对抗网络（GAN）需要海量训练数据与数天的训练时间。为此，我们提出 DAWSON，一种基于元学习的面向 GAN 的域自适应少样本生成框架。应用元学习 GAN 的一个主要挑战在于，由于 GAN 的无似然特性，难以通过在验证集上评估生成器来获取其梯度。为应对该挑战，我们提出一种替代的 GAN 训练流程，其天然地将 GAN 的两步训练流程与元学习算法的两步训练流程相结合。DAWSON 是一个即插即用的框架，支持广泛的元学习算法家族与多种带结构变体的 GAN。基于 DAWSON，我们还提出 MUSIC MATINEE，这是首个少样本音乐生成模型。我们的实验表明，MUSIC MATINEE 仅需来自目标域的数十首歌曲即可快速适配新域。我们还展示了 DAWSON 仅用 MNIST 数据集中的四个样本即可学会生成新的数字。我们在 PyTorch 与 Tensorflow 中发布了 DAWSON 的源代码实现、两种风格下生成的音乐样本以及速览视频。
引用
@article{arxiv.2001.00576,
title = {DAWSON: A Domain Adaptive Few Shot Generation Framework},
author = {Weixin Liang and Zixuan Liu and Can Liu},
journal= {arXiv preprint arXiv:2001.00576},
year = {2020}
}