MineGAN：从 GAN 到少样本目标领域的有效知识迁移
计算机视觉与模式识别
2020-04-03 v3
摘要
深度神经网络的一个吸引人特性是其将在一个领域中获得的知识迁移到其他相关领域的能力。因此，可以在训练数据相对稀少的领域训练出高质量网络。这一性质在判别网络中被广泛研究，但在生成模型中受到的关注明显较少。鉴于训练 GAN 通常所需的巨大投入，无论是计算上还是数据集收集上，复用预训练 GAN 都是值得追求的目标。我们提出一种基于从单个或多个预训练 GAN 中挖掘对特定目标领域最有益知识的生成模型知识迁移新方法。这是通过一个 miner 网络实现的，该网络识别每个预训练 GAN 的生成分布在何处输出最接近目标领域的样本。挖掘有效地将 GAN 采样导向潜空间中的合适区域，从而便于后续微调并避免其他方法的缺陷如模式崩溃与缺乏灵活性。我们在多个复杂数据集上使用各种 GAN 架构（BigGAN、Progressive GAN）进行实验，表明所提方法 MineGAN 能有效地将知识迁移到仅有少量目标图像的领域，优于现有方法。此外，MineGAN 能成功地从多个预训练 GAN 迁移知识。我们的代码可在 https://github.com/yaxingwang/MineGAN 获取。
引用
@article{arxiv.1912.05270,
title = {MineGAN: effective knowledge transfer from GANs to target domains with few images},
author = {Yaxing Wang and Abel Gonzalez-Garcia and David Berga and Luis Herranz and Fahad Shahbaz Khan and Joost van de Weijer},
journal= {arXiv preprint arXiv:1912.05270},
year = {2020}
}
备注
CVPR2020