基于 Mixup 距离学习的少样本图像生成
计算机视觉与模式识别
2022-07-08 v2
摘要
使用 GAN 等生成模型生成多样且真实的图像通常需要大规模训练及海量图像。在有限数据上训练的 GAN 容易记忆少量训练样本，并表现出不良特性，如“阶梯状”潜空间，其中潜空间中的插值在输出空间中产生不连续过渡。在本文中，我们考虑一项具有挑战性的无预训练少样本图像合成任务，并寻求以最小的过拟合和模式崩溃训练现有生成模型。我们提出基于 mixup 的距离正则化，作用于生成器及对应判别器的特征空间，鼓励二者不仅推理稀缺的观测数据点，还推理它们所处特征空间中的相对距离。在多样数据集上的定性与定量评估表明，我们的方法通常适用于现有模型，在少样本设定下提升保真度与多样性。代码已公开。
引用
@article{arxiv.2111.11672,
title = {Few-shot Image Generation with Mixup-based Distance Learning},
author = {Chaerin Kong and Jeesoo Kim and Donghoon Han and Nojun Kwak},
journal= {arXiv preprint arXiv:2111.11672},
year = {2022}
}
备注
ECCV 2022, 27 pages