Lifelong GAN：面向条件图像生成的持续学习
计算机视觉与模式识别
2019-08-23 v2
摘要
由于深度神经网络容易遭受灾难性遗忘，终身学习对其而言具有挑战性。当训练好的网络被训练执行新任务时，如果无法保持其完成先前学习任务的能力，就会发生灾难性遗忘。我们研究了生成模型的终身学习问题，即在假设只能访问当前任务训练数据的情况下，将训练好的网络扩展到新的条件生成任务，同时不遗忘先前的任务。与仅限于标签条件图像生成任务的最先进的记忆回放方法相比，本文提出了一种更通用的框架，用于在不同条件图像生成设置下对生成模型进行持续学习。Lifelong GAN 利用知识蒸馏将先前网络学到的知识迁移到新网络。这使得在终身学习环境中执行图像条件生成任务成为可能。我们在图像条件和标签条件生成任务上验证了 Lifelong GAN，并提供了定性和定量结果来展示我们方法的通用性和有效性。
引用
@article{arxiv.1907.10107,
title = {Lifelong GAN: Continual Learning for Conditional Image Generation},
author = {Mengyao Zhai and Lei Chen and Fred Tung and Jiawei He and Megha Nawhal and Greg Mori},
journal= {arXiv preprint arXiv:1907.10107},
year = {2019}
}
备注
accepted to ICCV 2019