用于少样本 GAN 自适应的平滑相似性正则化
计算机视觉与模式识别
2023-08-21 v1
摘要
少样本 GAN 自适应任务旨在将预训练的 GAN 模型自适应到仅有极少训练图像的小数据集。虽然现有方法在预训练数据集与目标数据集结构相似时表现良好，但当两个域中的物体结构差异很大时，这些方法会遭受训练不稳定或记忆化问题。为缓解此局限，我们提出一种新的平滑相似性正则化，其将预训练 GAN 固有习得的平滑性迁移到少样本目标域，即使两域差异很大。我们通过将无条件与类条件 GAN 自适应到多样的少样本目标域来评估我们的方法。我们提出的方法在结构相异的源-目标域这一挑战性情形下显著优于先前的少样本 GAN 自适应方法，同时在结构相似的源-目标域上与最优方法表现相当。
引用
@article{arxiv.2308.09717,
title = {Smoothness Similarity Regularization for Few-Shot GAN Adaptation},
author = {Vadim Sushko and Ruyu Wang and Juergen Gall},
journal= {arXiv preprint arXiv:2308.09717},
year = {2023}
}
备注
International Conference on Computer Vision (ICCV) 2023