WeditGAN：通过隐空间重定位的少样本图像生成

在少样本图像生成中，仅在少量图像上直接训练 GAN 模型面临过拟合风险。一种流行的解决方案是将在大源域上预训练的模型迁移到小目标域。本工作中，我们提出 WeditGAN，其通过用学习到的常数偏移($\Delta w$)编辑 StyleGAN 中的中间隐代码 $w$，经由简单重定位源隐空间分布来发现并构建目标隐空间，从而实现模型迁移。隐空间之间建立的逐点映射可自然防止模式崩溃与过拟合。此外，我们还提出 WeditGAN 的变体，通过正则化 $\Delta w$ 的方向或微调其强度来进一步增强重定位过程。在一系列广泛使用的源/目标数据集上的实验表明了 WeditGAN 在生成真实且多样图像方面的能力，其在少样本图像生成研究领域简单却极为有效。代码见 https://github.com/Ldhlwh/WeditGAN。