一种基于 3D GAN 的零样本生成式域适应方法
计算机视觉与模式识别
2024-10-14 v1 人工智能
摘要
3D 感知图像生成需要大量训练数据以确保训练稳定性并缓解过拟合风险。本文首先提出一种新任务——零样本 3D 生成式域适应（GDA），旨在仅依据单张参考图像，将预训练的 3D 生成器从一个域迁移到另一个域。零样本 3D GDA 以特定属性为目标，包括高保真度、大多样性、跨域一致性和多视角一致性。本文引入 3D-Adapter，首个零信任 3D GDA 方法，实现多样且忠实的生成。我们的方法通过严选微调权重集合，随后利用四个先进损失函数促进适应。还实现了高效的渐进式微调策略以增强适应过程。这些三个技术组件的协同作用使 3D-Adapter 在所有所需的 3D GDA 属性上均取得卓越性能，既在定量上又在定性上均得到验证。此外，3D-Adapter 能无缝扩展至零样本场景，同时保留关键任务如插值、重构和编辑在预训练生成器潜空间中的潜力。代码将在 https://github.com/iceli1007/3D-Adapter 提供。
引用
@article{arxiv.2410.08824,
title = {One-shot Generative Domain Adaptation in 3D GANs},
author = {Ziqiang Li and Yi Wu and Chaoyue Wang and Xue Rui and Bin Li},
journal= {arXiv preprint arXiv:2410.08824},
year = {2024}
}
备注
IJCV