基于配对少样本数据的域适应生成器学习
计算机视觉与模式识别
2021-02-26 v1
摘要
我们提出了一种配对少样本 GAN（PFS-GAN）模型，用于在有充足源数据和少量目标数据的情况下学习生成器。虽然生成模型学习通常需要大规模训练数据，我们的 PFS-GAN 不仅利用了少样本学习的概念，还利用域偏移来跨域迁移知识，这缓解了仅用目标域数据训练时生成器质量低下的问题。跨域数据集被假设具有两个性质：(1) 每个目标域样本都有其源域对应样本；(2) 两个域共享相似的内容信息但外观不同。我们的 PFS-GAN 旨在从图像中学习解耦表示，该表示由域不变内容特征和域特定外观特征组成。此外，在内容特征上引入了一种关系损失，同时偏移外观特征以增加结构多样性。大量实验表明，与多个基线相比，我们的方法在生成的目标域数据上具有更好的定量和定性结果，且多样性更高。
引用
@article{arxiv.2102.12765,
title = {Domain Adaptation for Learning Generator from Paired Few-Shot Data},
author = {Chun-Chih Teng and Pin-Yu Chen and Wei-Chen Chiu},
journal= {arXiv preprint arXiv:2102.12765},
year = {2021}
}
备注
accepted in ICASSP 2021