迁移 GAN：从有限数据生成图像
计算机视觉与模式识别
2018-10-03 v2
摘要
通过微调将预训练网络的知识迁移到新领域是基于判别模型的应用中的广泛做法。据我们所知，该做法尚未在生成式深度网络的背景下被研究。因此，我们研究应用于生成对抗网络图像生成的域适应。我们评估了域适应的若干方面，包括目标域规模的影响、源域与目标域的相对距离，以及条件 GAN 的初始化。我们的结果表明，利用预训练网络的知识可缩短收敛时间，并显著提升生成图像的质量，尤其在目标数据有限时。我们表明，即便预训练模型是在无条件下训练的，这些结论对条件 GAN 同样成立。我们的结果还表明，密度可能比多样性更重要，且包含一个或少数几个密集采样类别的数据集可能比 ImageNet 或 Places 等更多样的数据集更好的源模型。
引用
@article{arxiv.1805.01677,
title = {Transferring GANs: generating images from limited data},
author = {Yaxing Wang and Chenshen Wu and Luis Herranz and Joost van de Weijer and Abel Gonzalez-Garcia and Bogdan Raducanu},
journal= {arXiv preprint arXiv:1805.01677},
year = {2018}
}
备注
ECCV2018-camera ready