一次性生成式域自适应
计算机视觉与模式识别
2021-11-19 v1
摘要
本工作旨在将在一个图像域上预训练的生成对抗网络（GAN）迁移到一个新域，所参考的目标图像少至仅一张。主要挑战在于，在有限监督下，极难合成照片级真实且高度多样化的图像，同时获取目标的代表性特征。不同于采用朴素微调策略的现有方法，我们分别向生成器和判别器引入两个轻量模块。具体而言，我们在生成器中引入属性适配器并冻结其原始参数，从而最大程度复用先验知识，保持合成质量与多样性。随后，我们为良好学习的判别器主干配备属性分类器，以确保生成器从参考中捕获恰当特征。此外，考虑到训练数据多样性差（即少至仅一张图像），我们提出在训练过程中也对生成域的多样性加以约束，缓解优化困难。我们的方法在各种设定下均带来引人瞩目的结果，大幅超越最先进的替代方法，尤其在合成多样性方面。值得注意的是，即便存在大域差距，我们的方法仍表现良好，且每次实验均能在几分钟内稳健收敛。
引用
@article{arxiv.2111.09876,
title = {One-Shot Generative Domain Adaptation},
author = {Ceyuan Yang and Yujun Shen and Zhiyi Zhang and Yinghao Xu and Jiapeng Zhu and Zhirong Wu and Bolei Zhou},
journal= {arXiv preprint arXiv:2111.09876},
year = {2021}
}
备注
Technical Report