有限数据下的图像合成：综述与分类体系

深度生成模型旨在复现给定数据分布以生成新颖样本，近年来取得了前所未有的进展。其技术突破使得视觉内容合成质量达到了无与伦比的水平。然而，其巨大成功的一个关键前提是拥有足够数量的训练样本，这需要大量的计算资源。当在有限数据上训练时，生成模型往往因过拟合与记忆化而遭受严重的性能退化。因此，研究人员近年来投入了大量关注，致力于开发能够从有限训练数据中生成合理且多样图像的新模型。尽管在增强有限数据场景下的训练稳定性与合成质量方面已有诸多努力，仍缺乏一个系统性综述来提供：1) 清晰的问题定义、关键挑战及各类任务的分类体系；2) 对现有文献优缺点的深入分析及尚存局限；3) 对有限数据下图像合成领域的潜在应用与未来方向的充分讨论。为填补这一空白并向该课题的新研究者提供信息性介绍，本综述对有限数据下图像合成的发展进行了全面回顾并提出了一套新颖的分类体系。具体而言，它以全面且多维的方式涵盖了问题定义、需求、主要解决方案、常用基准以及尚存挑战。