MineGAN++：挖掘生成模型以实现向有限数据域的高效知识迁移
计算机视觉与模式识别
2023-12-05 v2
摘要
GAN 大幅提升了生成模型的潜在影响。因此，我们提出了一种基于挖掘对特定目标域最有益知识的生成模型知识迁移新方法，知识来源为单个或多个预训练 GAN。这是通过一个 miner 网络实现的，该网络识别每个预训练 GAN 的生成分布中输出最接近目标域样本的部分。挖掘有效地将 GAN 采样导向潜空间中合适的区域，从而便利后续微调并避免其他方法的缺陷，如模式崩溃和缺乏灵活性。此外，为防止在小目标域上的过拟合，我们引入了稀疏子网络选择，将可训练神经元集合限制为与目标数据集相关的那些。我们使用多种 GAN 架构(BigGAN、Progressive GAN 和 StyleGAN)在多个具有挑战性的数据集上进行了全面实验，结果表明所提方法(称为 MineGAN)能有效地向仅有少量目标图像的域迁移知识，优于现有方法。此外，MineGAN 可成功地从多个预训练 GAN 迁移知识。
引用
@article{arxiv.2104.13742,
title = {MineGAN++: Mining Generative Models for Efficient Knowledge Transfer to Limited Data Domains},
author = {Yaxing Wang and Abel Gonzalez-Garcia and Chenshen Wu and Luis Herranz and Fahad Shahbaz Khan and Shangling Jui and Joost van de Weijer},
journal= {arXiv preprint arXiv:2104.13742},
year = {2023}
}
备注
accepted at IJCV. arXiv admin note: substantial text overlap with arXiv:1912.05270