通过面具歧视生成高质量和多样化的少数镜头图像
概括
这项研究引入了面具歧视,用于少量射击的生成对抗网络 (GAN) 适应,通过防止歧视者过拟合来增强有限数据的图像生成多样性和质量.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 由于有限的数据,少数镜头的图像生成在生成对抗网络 (GAN) 中扎过度.
- 过度装配导致歧视者记住训练样本,降低了生成图像的多样性.
研究的目的:
- 开发一种用于少数镜头GAN适应的新方法,可以提高图像质量和多样性.
- 为了应对歧视者过度适应在低数据制度的挑战,用于生成任务.
主要方法:
- 引入了掩面歧视,这是GAN的特征级增强技术.
- 将随机面具应用于区分器提取的特征,以鼓励泛化.
- 采用跨域的一致性损失来保持特征空间关系并保留源域知识.
主要成果:
- 蒙面歧视有效地减少了过度装配,并增强了样本的多样性.
- 跨域的一致性损失改善了全球图像歧视,并保留了学习的特征.
- 定性和定量评估显示,在少数拍摄图像生成方面,优于现有方法的性能.
结论:
- 蒙面歧视是一种新且有效的功能级增强,用于少数镜头的GAN适应.
- 拟议的方法在低数据场景中显著提高了图像质量和多样性.
- 这种方法为使用有限数据进行强大的生成建模提供了一个有希望的方向.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
06:20Author Spotlight: Development of an Automated Camera-Based System for Real-Time Blast Overpressure Monitoring and TBI Risk Assessment in Military Training
Published on: December 6, 2024
2.7K
