DynaGAN：面向多域的GAN动态少样本自适应
计算机视觉与模式识别
2022-11-29 v1
摘要
面向多域的少样本域自适应旨在从少量训练图像中学习跨多个域的复杂图像分布。此处一个朴素的解决方案是使用少样本域自适应方法为每个域单独训练一个模型。遗憾的是，这种方法在内存和计算时间上都需要线性增长的计算资源，且更重要的是，这些独立模型无法利用目标域之间共享的知识。本文提出 DynaGAN，一种新颖的面向多目标域的少样本域自适应方法。DynaGAN 具有一个自适应模块，该模块是一个超网络（hyper-network），可动态地将预训练的 GAN 模型自适应到多个目标域。因此，我们能够充分利用目标域间的共享知识，并避免线性增长的计算需求。由于自适应大型 GAN 模型在计算上仍具挑战性，我们利用秩一张量分解（rank-1 tensor decomposition）将自适应模块设计为轻量级。最后，我们提出一种适用于多域少样本自适应的对比自适应损失。我们通过广泛的定性与定量评估验证了方法的有效性。
引用
@article{arxiv.2211.14554,
title = {DynaGAN: Dynamic Few-shot Adaptation of GANs to Multiple Domains},
author = {Seongtae Kim and Kyoungkook Kang and Geonung Kim and Seung-Hwan Baek and Sunghyun Cho},
journal= {arXiv preprint arXiv:2211.14554},
year = {2022}
}
备注
Accepted to SIGGRAPH Asia 2022. For supplementary material, see https://bluegorae.github.io/assets/dynagan/papers/supple.pdf