基于掩码判别的少样本图像生成

少样本图像生成旨在利用有限数据生成高质量且高多样性的图像。然而，现代生成对抗网络在仅用少量图像训练时难以避免过拟合。判别器很容易记住所有训练样本并引导生成器复制它们，导致多样性严重下降。已有若干方法通过将在大规模源域上预训练的生成对抗网络适配到目标域，并利用有限的真实样本来缓解过拟合。本文提出一种通过掩码判别实现少样本生成对抗网络适配的新方法。对判别器从输入图像中提取的特征施加随机掩码，旨在鼓励判别器将那些与训练样本共享部分共同特征的各种图像判定为真实。相应地，生成器被引导生成多样化的图像，而非复制训练样本。此外，我们为判别器引入跨域一致性损失，以保持生成样本在其特征空间中的相对距离。这增强了全局图像判别能力，并引导适配后的生成对抗网络保留更多从源域学到的信息，从而获得更高的图像质量。在一系列少样本图像生成任务上，本方法在质量和多样性方面均定性和定量地展现出优于先前方法的有效性。