Few-Shot Image Generation by Conditional Relaxing Diffusion Inversion

在使用深度生成模型（DGMs）进行少样本图像生成（FSIG）的领域中，准确地估计目标域的分布并用最少的样本是一个重大挑战。这需要一种方法，既能捕捉到目标域分布的广泛多样性，又能体现其真实特征。我们提出了一种名为条件松弛扩散反演（CRDI）的创新“无需训练”的方法，旨在增强合成图像生成中的分布多样性。与传统方法不同，CRDI不依赖于仅有少量样本的微调。相反，它专注于重建每个目标图像实例并通过少样本学习扩展多样性。该方法首先确定扩散模型的样本指导嵌入（SGE），其作用类似于某些生成对抗网络（GAN）模型中的显式潜在代码。随后，该方法涉及一个调度程序，逐步向SGE引入扰动，从而增加多样性。全面的实验表明，我们的方法超越了基于GAN的重建技术，并在性能上与最先进的FSIG方法相当。此外，它还有效地缓解了微调方法的常见缺点，如过度拟合和灾难性遗忘。

本论文旨在解决Few-Shot Image Generation (FSIG)领域中，使用Deep Generative Models (DGMs)时需要准确估计目标域分布的挑战。作者提出了一种新的方法来增强合成图像生成中的分布多样性。

该方法名为Conditional Relaxing Diffusion Inversion (CRDI)，是一种“无需训练”的方法，通过重建每个目标图像实例来扩展多样性。相比于传统方法，CRDI不依赖于仅使用少量样本的微调。它通过逐步对SGE引入扰动来增加多样性。

论文的实验表明，CRDI方法在性能上超越了基于GAN的重建技术，并且与现有的FSIG方法相当。此外，它有效地缓解了微调方法的过度拟合和灾难性遗忘等常见缺陷。

最近在FSIG领域中，还有一些相关的研究被进行，例如：Few-shot learning for image classification: A survey、Few-shot learning with global class representations和Few-Shot Learning: A Survey等。