元内部学习
计算机视觉与模式识别
2021-10-07 v1
摘要
用于单图像生成的内部学习是一种框架，其中生成器被训练以基于单幅图像产生新图像。由于这些模型在单幅图像上训练，其规模和应用受限。为克服这些问题，我们提出一种元学习方法，支持在图像集合上训练，以更有效地建模样本图像的内部统计。在所提出的元学习方法中，给定输入图像，通过卷积前馈超网络 生成单图像GAN模型。该网络在图像数据集上训练，允许不同模型间的特征共享，以及生成模型空间中的插值。所生成的单图像模型包含多层生成器与判别器层级。因此需以对抗方式训练元学习器，这需要谨慎的设计选择，我们借助理论分析予以论证。我们的结果表明，所得模型在诸多常见图像应用中与单图像GAN同样适用，在性能不损的前提下显著减少每幅图像的训练时间，并引入了如插值与新图像前馈建模等新颖能力。
引用
@article{arxiv.2110.02900,
title = {Meta Internal Learning},
author = {Raphael Bensadoun and Shir Gur and Tomer Galanti and Lior Wolf},
journal= {arXiv preprint arXiv:2110.02900},
year = {2021}
}