MetalGAN：一种用于少样本对抗着色基于聚类的自适应训练
机器学习
2019-09-18 v1 图像与视频处理
机器学习
摘要
近年来，大多数基于深度学习的图像着色工作都集中于如何充分利用当前可用的海量数据集。当手头数据稀缺时该怎么办？本工作的主要目标是证明即使没有大量数据，网络也可以被训练并给出优异的着色结果。所采用的方法是一种混合方法，使用对抗方法来进行实际着色，并使用元学习技术来增强生成器模型。此外，对训练数据集的先验聚类确保了面向任务的划分，有利于元学习，同时减少了每步的图像数量。本文详细描述了该方法及其主要动机，并提供了对结果和未来发展的讨论。
引用
@article{arxiv.1909.07654,
title = {MetalGAN: a Cluster-based Adaptive Training for Few-Shot Adversarial Colorization},
author = {Tomaso Fontanini and Eleonora Iotti and Andrea Prati},
journal= {arXiv preprint arXiv:1909.07654},
year = {2019}
}