DEff-GAN: Diverse Attribute Transfer for Few-Shot Image Synthesis

要約

大量のデータの要件は、多くの GAN をトレーニングする際の困難です。
データ効率の高い GAN では、ジェネレーターの連続ターゲット分布を限定された離散的なデータ サンプル セットに適合させる必要がありますが、これは困難な作業です。
単一画像法は、単一画像の内部分布をモデル化し、そのサンプルを生成することに重点を置いてきました。
単一画像法は多様性のある画像サンプルを合成できますが、複数の画像をモデル化したり、2 つの画像間で可能な固有の関係を捉えたりすることはありません。
ほんの一握りの画像しか与えられていないため、サンプルを生成し、入力画像の共通点を活用することに関心があります。
この作業では、単一画像 GAN メソッドを拡張して、サンプル合成用の複数の画像をモデル化します。
さまざまなサンプルを生成し、入力ラベルを分類するのに役立つ補助分類子ブランチでディスクリミネーターを変更します。
当社の Data-Efficient GAN (DEff-GAN) は、入力画像またはクラス間で類似性と対応関係を引き出すことができる場合に優れた結果を生成します。

要約(オリジナル)

Requirements of large amounts of data is a difficulty in training many GANs. Data efficient GANs involve fitting a generators continuous target distribution with a limited discrete set of data samples, which is a difficult task. Single image methods have focused on modeling the internal distribution of a single image and generating its samples. While single image methods can synthesize image samples with diversity, they do not model multiple images or capture the inherent relationship possible between two images. Given only a handful of images, we are interested in generating samples and exploiting the commonalities in the input images. In this work, we extend the single-image GAN method to model multiple images for sample synthesis. We modify the discriminator with an auxiliary classifier branch, which helps to generate a wide variety of samples and to classify the input labels. Our Data-Efficient GAN (DEff-GAN) generates excellent results when similarities and correspondences can be drawn between the input images or classes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google