探索少样本图像生成中的不兼容知识迁移
计算机视觉与模式识别
2023-04-18 v1
摘要
少样本图像生成（FSIG）利用少量（如 10 张）参考样本从目标域学习生成多样且高保真图像。现有 FSIG 方法从源生成器（在相关域上预训练）中选择、保留并迁移先验知识，以学习目标生成器。本文中，我们研究 FSIG 中一个未被充分探讨的问题，称为不兼容知识迁移，其会显著降低合成样本的真实感。经验观察表明，该问题源于源生成器中显著性最低的滤波器。为此，我们提出知识截断以缓解 FSIG 中的该问题，其作为知识保留的互补操作，并通过轻量级基于剪枝的方法实现。大量实验表明，知识截断简单有效，持续取得最先进性能，包括在源域与目标域相距更远的困难设定下。项目主页：yunqing-me.github.io/RICK。
引用
@article{arxiv.2304.07574,
title = {Exploring Incompatible Knowledge Transfer in Few-shot Image Generation},
author = {Yunqing Zhao and Chao Du and Milad Abdollahzadeh and Tianyu Pang and Min Lin and Shuicheng Yan and Ngai-Man Cheung},
journal= {arXiv preprint arXiv:2304.07574},
year = {2023}
}
备注
25 pages, 16 figures, 10 tables. The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2023