使用有限数据训练生成对抗网络

在数据量有限的情况下训练生成对抗网络（GAN）通常会导致判别器过拟合，进而引发训练发散。为此，我们提出了一种自适应判别器增强机制，能够显著提升在小样本场景下的训练稳定性。该方法无需修改损失函数或网络架构，既适用于从零开始训练，也适用于在新数据集上微调已有GAN模型。我们在多个数据集上的实验表明，仅需数千张训练图像即可获得良好效果，其性能通常可与StyleGAN2相当，且所需图像数量少一个数量级。这一进展有望拓展GAN在新应用领域的适用性。此外，我们发现广泛使用的CIFAR-10实际上是一个小样本基准数据集，并在此基础上将FID指标从5.59提升至2.42，刷新了该数据集上的最佳记录。