利用预训练 GAN 在有限数据下生成图像
计算机视觉与模式识别
2020-08-11 v3 机器学习
图像与视频处理
摘要
近期工作表明生成对抗网络（GANs）可生成高度逼真的图像，其（在人类看来）常与真实图像难以区分。如此生成的大多数图像并未包含在训练数据集中，表明可用 GAN 生成的数据来增强训练集。尽管该场景在可用数据有限时尤为相关，仍存在基于有限数据训练 GAN 本身的问题。为此，我们利用在大规模数据集（如 ImageNet）上预训练的现有 GAN 模型，遵循迁移学习的概念，引入额外知识（可能不存在于有限数据中）。通过自然图像生成实验我们揭示，预训练 GAN 的生成器与判别器中接近观测的低层滤波器可迁移以辅助在感知差异明显的目标域中用有限训练数据生成图像。为进一步使迁移的滤波器适应目标域，我们提出自适应滤波器调制（AdaFM）。我们给出了一组广泛的实验以证明所提技术在有限数据生成上的有效性。
引用
@article{arxiv.2002.11810,
title = {On Leveraging Pretrained GANs for Generation with Limited Data},
author = {Miaoyun Zhao and Yulai Cong and Lawrence Carin},
journal= {arXiv preprint arXiv:2002.11810},
year = {2020}
}
备注
Accepted at ICML 2020