基于类间知识传播的高效条件 GAN 迁移
计算机视觉与模式识别
2021-04-01 v2
摘要
生成对抗网络（GANs）在无条件和条件图像生成中均展示了令人印象深刻的成果。近期文献表明，在不同数据集上预训练的 GAN 可被迁移以改进来自小型目标数据的图像生成。然而，在条件 GAN（cGANs）的情况下，同样的问题尚未得到充分研究，其与无条件设置相比为知识迁移提供了新机会。特别地，新类别可从相关的旧类别借用知识，或在彼此间共享知识以改进训练。这促使我们研究基于类间知识传播的高效条件 GAN 迁移问题。为解决该问题，我们引入一种新的 GAN 迁移方法，以显式地将知识从旧类别传播到新类别。关键思想是强制广泛使用的条件批归一化（BN）从旧类别的类特定信息中学习新类别的类特定信息，同时新类别间存在隐式知识共享。这使得知识能从旧类别高效传播到新类别，且 BN 参数随新类别数量线性增加。大量评估证明了所提方法在高效条件 GAN 迁移任务上相对于最先进（SOTA）竞争对手的明显优越性。代码见：https://github.com/mshahbazi72/cGANTransfer
引用
@article{arxiv.2102.06696,
title = {Efficient Conditional GAN Transfer with Knowledge Propagation across Classes},
author = {Mohamad Shahbazi and Zhiwu Huang and Danda Pani Paudel and Ajad Chhatkuli and Luc Van Gool},
journal= {arXiv preprint arXiv:2102.06696},
year = {2021}
}
备注
The is available at: https://github.com/mshahbazi72/cGANTransfer