几何保持损失函数促进黑箱生成模型适应的改进方法
机器学习
2026-04-28 v1 人工智能
摘要
黑箱生成模型的适应问题近年来受到广泛关注，研究者探索了包括生成器微调、潜在空间搜索、利用奇异值分解等多种方法。然而，针对特定用例对大规模生成式 AI 工具的适应仍然具有挑战性，因为许多行业级模型难以获得。由于存储和微调生成模型的成本高昂，以及对权重和梯度的访问受限，针对特定层进行细调的传统方法不可行。鉴于这些挑战，我们提出了一种新颖的端到端管道，通过结合预训练生成对抗网络（GAN）中的几何保持损失函数来实现领域适应。我们重新思考了问题，将 GAN 反转的作用重新置于获得准确潜在空间表示的核心位置。通过扩展现有领先逆器的能力，保持切向空间之间的成对距离，从而成功训练潜在生成模型以产生来自目标分布的样本。我们在具有真实分布迁移的 StyleGAN 上评估了所提出的管道，并证明引入几何保持损失函数相对于其他传统损失函数可提高生成模型的适应性。
引用
@article{arxiv.2604.23888,
title = {Geometry Preserving Loss Functions Promote Improved Adaptation of Blackbox Generative Model},
author = {Sinjini Mitra and Constantine Kyriakakis and Shenyuan Liang and Anuj Srivastava and Pavan Turaga},
journal= {arXiv preprint arXiv:2604.23888},
year = {2026}
}