Generative Active Learning for Image Synthesis Personalization

本文提出了一项试点研究，探索了在生成模型中应用主动学习的可能性，传统上主动学习是在判别模型的背景下研究的。我们特别关注图像合成个性化任务。在生成模型上进行主动学习的主要挑战在于查询的开放性质，这与判别模型的封闭查询形式不同，后者通常针对单个概念。我们引入了锚定方向的概念，将查询过程转化为半开放问题。我们提出了一种基于方向的不确定性采样策略，实现了生成主动学习，并解决了开发-探索困境。通过广泛的实验验证了我们方法的有效性，证明了一个开源模型可以比由大公司开发的封闭源模型，如谷歌的StyleDrop，实现更优异的性能。源代码可在https://github.com/zhangxulu1996/GAL4Personalization上找到。

本文试图探索将传统上在判别模型中研究的主动学习应用于生成模型中的个性化图像合成任务。这种方法的主要挑战在于生成模型的开放式查询方式与判别模型的封闭式查询方式不同，因此需要引入锚定方向的概念来转化查询过程。

本文提出了一种基于方向的不确定性采样策略，以实现生成主动学习并解决开发-探索困境。通过大量实验证明了该方法的有效性，同时还展示了一个开源模型相比谷歌的StyleDrop等大公司开发的闭源模型能够取得更好的性能。

本文的亮点包括提出了基于方向的不确定性采样策略来解决生成模型主动学习中的开发-探索困境；展示了开源模型能够取得与闭源模型相媲美的性能；提供了开源代码；在多个数据集上进行了大量实验。值得进一步研究的方向包括如何进一步提高生成模型的个性化能力，以及如何将该方法应用于其他类型的生成模型。

最近的相关研究包括基于生成模型的图像合成、基于主动学习的模型训练以及基于方向的不确定性采样策略在其他领域中的应用。相关论文包括：《Generative Adversarial Networks》、《Deep Active Learning: Unified and Principled Method for Query and Training》、《Active Learning with Directional Uncertainty Sampling》等。