cGANTransfer:cGANTransfer PyTorch实施 源码

高效的有条件GAN转移以及跨课程的知识传播 接受CVPR 2021 作者: ,, , 和 论文: : 抽象的 生成对抗网络(GAN)在无条件图像生成和条件图像生成方面均显示出令人印象深刻的结果。 在最近的文献中,显示了可以在不同的数据集上传输经过预训练的GAN,以改善从较小目标数据生成的图像。 但是,对于条件GAN(cGAN),尚未对此进行充分研究,与无条件设置相比,条件GAN提供了新的知识转移机会。 特别是,新班级可以借鉴相关旧班级的知识,或者在彼此之间共享知识以改善培训。 这激励我们去研究有效的有条件GAN转移与跨类知识传播的问题。 为了解决这个问题,我们引入了一种新的GAN传输方法,以将知识从旧类显式传播到新类。 关键思想是强制使用普遍使用的条件批处理规范化(BN),以从旧类中学习新类的类特定信息,并在新类之间进行隐式知识共享。 这允许从旧类到新类的有效知识传播,并且BN参数随新