DEff-GAN：面向少样本图像合成的多属性迁移
计算机视觉与模式识别
2023-03-09 v1
摘要
对大量数据的需求是训练许多 GAN 的难点。数据高效 GAN 涉及用有限的离散数据样本集拟合生成器的连续目标分布，这是一项困难任务。单图像方法聚焦于建模单张图像的内部分布并生成其样本。虽然单图像方法能合成具多样性的图像样本，但它们不对多张图像建模，也无法捕捉两图像间可能存在的内在关联。在仅给定少量图像的情况下，我们感兴趣于生成样本并利用输入图像中的共性。本工作中，我们将单图像 GAN 方法扩展至建模多张图像以进行样本合成。我们为判别器添加辅助分类器分支，有助于生成种类广泛的样本并对输入标签进行分类。当输入图像或类别间可建立相似性与对应关系时，我们的数据高效 GAN（DEff-GAN）能生成优异结果。
引用
@article{arxiv.2302.14533,
title = {DEff-GAN: Diverse Attribute Transfer for Few-Shot Image Synthesis},
author = {Rajiv Kumar and G. Sivakumar},
journal= {arXiv preprint arXiv:2302.14533},
year = {2023}
}