基于弹性权重巩固的小样本图像生成

小样本图像生成旨在仅利用少量可用训练样本，生成给定域的更多数据。由于从极少观测（如表情符号）中充分推断分布是不合理的，我们寻求利用一个大型相关源域作为预训练（如人脸）。因此，我们希望在适应目标域外观的同时，保留源域的多样性。我们不加任何额外参数地将预训练模型适应到目标域的少量样本。关键在于，我们在此适应过程中对权重的变化进行正则化，以在拟合目标的同时最好地保留源数据集的信息。我们通过生成不同目标域的高质量结果证明了我们算法的有效性，包括那些样本极少（如<10）的域。我们还分析了我们的方法相对于一些重要因素的性能，如样本数量以及源域和目标域之间的不相似度。