团队近期成果--基于预形状空间中测地曲面信息迁移的小样本图像生成
我们团队在国际期刊《Pattern Recognition》(IF:8.6, 中科院一区Top)上发表论文”Few-shot Image Generation via Information Transfer from the Built Geodesic Surface”。该论文上海大学计算机工程与科学学院为第一单位。
现代人工智能模型，如生成对抗网络和扩散模型，虽已能生成高度逼真的图像，但其性能高度依赖于包含成千上万张图片的大规模数据集进行训练。这种对“大数据”的依赖，在许多专业领域构成了一个显著的“瓶颈”，因为在这些领域中，大规模采集数据成本高昂、耗时巨大且不切实际。在数据不足的情况下，现有模型常常会失效，生成模糊、重复的图像，即陷入“模式坍塌”的困境。
为了攻克这一难题，我们团队提出了一种名为“基于预形状空间中测地曲面信息迁移”（Information Transfer from the Built Geodesic Surface, ITBGS）的新框架。该方法无需依赖任何预训练模型，而是通过一种智能化的方法，从极少量样本中挖掘出丰富、深层的结构信息。该框架通过将图片特征投影到高维预形状空间，构建测地曲面并进行采样，生成丰富多样且合理的伪特征用来模拟大规模数据集。这些增强后的信息被用于训练图像生成器，引导其在没有接触过任何真实大规模数据集的情况下，学习到复杂的数据分布规律。
团队的研究成果已在多种极具挑战性的数据集上得到验证，实验结果表明，ITBGS框架能够显著提升生成图像的质量、细节丰富度和多样性，并有效缓解模式坍塌问题。
论文链接：Few-shot Image Generation via Information Transfer from the Built Geodesic Surface
代码链接：https://github.com/han-yuexing/ITBGS
