ECCV 2018 | Transferring GANs: generating images from limited data 阅读笔记（部分翻译）

Transferring GANs: generating images from limited data

Author Unit: Computer Vision Center Universitat Aut` onoma de Barcelona Spain

Authors: Yaxing Wang, Chenshen Wu, Luis Herranz, Joost van de Weijer, Abel Gonzalez-Garcia, Bogdan Raducanu

Code: https://github.com/yaxingwang/Transferring-GANs

Conference: ECCV 2018

Email: {yaxing, chenshen, lherranz, joost, agonzgarc, bogdan}@cvc.uab.es

Paper address: https://openaccess.thecvf.com/content_ECCV_2018/html/yaxing_wang_Transferring_GANs_generating_ECCV_2018_paper.html

Notion 版本的笔记

Abstract. 我们尝试将 domain adaptation 应用到 GAN 中。我们评估了域自适应的几个方面，包括目标域大小的影响，源与目标域之间的相对距离，以及条件 GAN 的初始化。我们的结果表明，使用来自预训练网络的知识可以缩短收敛时间，并可以显著提高生成图像的质量，特别是在目标数据有限的情况下。我们表明，这些结论也可以得出条件 GAN ，即使预先训练的模型是没有条件的训练。我们的结果还表明，density 比 diversity 更重要，拥有一个或几个密集采样类的数据集是一个更好的源模型，而不是像 ImageNet 或 Places 这样更多样化的数据集。

Keywords: Generative adversarial networks, transfer learning, domain adaptation, image generation

1 Introduction

当使用预训练好的初始化网络时，可以用更少的图像来训练。

• 我们评估了几种 transfer 配置，并表明预先训练的网络可以有效地加速学习过程，并在数据有限的情况下提供有用的先验知识。
• 我们研究了源域和目标域之间的关系如何影响结果，并讨论了选择一个合适的预训练模型的问题，且看起来在判别任务的情况下更难进行选择。
• 我们评估了从无条件 GANs transfer 到有条件 GANs 的两种常见方法。<