チームの最近の成果：プリシェイプ空間における測地曲面情報に基づく転移学習による小標本画像生成
私たちのチームは国際学術誌『Pattern Recognition』（インパクトファクター：8.6、中国科学院Q1トップジャーナル）に論文「Few-shot Image Generation via Information Transfer from the Built Geodesic Surface」を発表しました。本論文の筆頭所属機関は上海大学コンピュータ工学・科学学院です。
生成対抗ネットワーク（GAN）や拡散モデルなどの現代人工知能モデルは、高度にリアルな画像を生成できるものの、その性能は数万枚の画像を含む大規模データセットでの訓練に大きく依存している。この「ビッグデータ」への依存は、多くの専門分野において顕著な「ボトルネック」となっている。なぜなら、これらの分野では大規模なデータ収集がコスト高で時間がかかり、非現実的だからである。データ不足の状況下では、既存モデルはしばしば機能不全に陥り、ぼやけた画像や重複した画像を生成する、いわゆる「パターン崩壊」の罠に陥る。
この難題を解決するため、我々のチームは「構築された測地曲面空間における情報転移（Information Transfer from the Built Geodesic Surface, ITBGS）」という新たなフレームワークを提案した。この手法は事前学習モデルに依存せず、極少数のサンプルから豊かで深層的な構造情報を抽出する知的なアプローチを採用しています。本フレームワークは画像特徴を高次元プリシェイプ空間に投影し、測地曲面を構築してサンプリングを行うことで、大規模データセットを模擬する多様で合理的な擬似特徴を生成します。これらの拡張された情報は画像生成器の訓練に活用され、実際の大規模データセットに触れることなく複雑なデータ分布パターンを学習させます。
チームの研究成果は複数の極めて挑戦的なデータセットで検証済みであり、実験結果からITBGSフレームワークが生成画像の品質・詳細豊かさ・多様性を顕著に向上させ、パターン崩壊問題を効果的に緩和できることが示されている。
論文リンク：Few-shot Image Generation via Information Transfer from the Built Geodesic Surface
コードリンク：https://github.com/han-yuexing/ITBGS
