数据有限情况下的生成对抗网络：综述与基准测试
计算机视觉与模式识别
2025-04-09 v1
摘要
生成对抗网络（GANs）在 various image synthesis tasks 中展现出惊人的性能。众多研究表明，GANs 在特征和表达学习方面相较于其他生成模型具有更强的能力，其潜在空间编码了丰富的语义信息。然而，GANs 的卓越性能高度依赖于大规模训练数据的获取，在数据有限的情况下性能会迅速下降。本文旨在提供 GAN 及其变体在 various vision tasks 中的概览，聚焦于解决数据有限的问题。我们分析在数据有限条件下的领先 GANs，通过设计实验进行评估，并呈现 various 方法从不同角度尝试解决此问题。最后，我们进一步阐述了未来的研究中剩余的挑战与趋势。
引用
@article{arxiv.2504.05456,
title = {Generative Adversarial Networks with Limited Data: A Survey and Benchmarking},
author = {Omar De Mitri and Ruyu Wang and Marco F. Huber},
journal= {arXiv preprint arXiv:2504.05456},
year = {2025}
}