少样本图像生成（FSIG）通过使用少量（例如，10个）参考样本来学习生成目标领域中多样且高保真的图像。现有的FSIG方法选择、保留并将源生成器（在相关领域上预训练）的先验知识转移到目标生成器中进行学习。在本文中，我们研究了FSIG中一个鲜为人知的问题，称为不兼容知识迁移，它会大大降低合成样本的真实感。实证观察表明，这个问题源于源生成器中最不重要的过滤器。为此，我们提出了知识截断来缓解FSIG中的这个问题，它是一种与知识保护互补的操作，并通过一种轻量级的剪枝方法实现。大量实验表明，知识截断简单且有效，始终实现最先进的性能，包括源和目标领域距离较远的具有挑战性的设置。项目页面：yunqing-me.github.io/RICK。
成为VIP会员查看完整内容
Exploring Incompatible Knowledge Transfer in Few-shot Image Generation
相关内容
CVPR 2023大会将于 6 月 18 日至 22 日在温哥华会议中心举行。CVPR是IEEE Conference on Computer Vision and Pattern Recognition的缩写，即IEEE国际计算机视觉与模式识别会议。该会议是由IEEE举办的计算机视觉和模式识别领域的顶级会议，会议的主要内容是计算机视觉与模式识别技术。
CVPR 2023 共收到 9155 份提交，比去年增加了 12%，创下新纪录，今年接收了 2360 篇论文，接收率为 25.78%。作为对比，去年有 8100 多篇有效投稿，大会接收了 2067 篇，接收率为 25%。
Arxiv
173+阅读 · 2023年4月7日
相关VIP内容
相关资讯
相关论文
Arxiv
173+阅读 · 2023年4月7日
微信扫码咨询专知VIP会员