论文部分内容阅读
生成对抗网络(GANs)自2014年被提出以来,被广泛应用在文本、图像等领域,并对其进行生成方面的研究。但是最近的研究发现,生成对抗网络在有限样本的情况下无法取得好的生成效果,产生过拟合等问题。为了解决这个问题,本文提出了一种利用迁移学习和改变网络结构相结合的方法。与传统的迁移学习不同的是,在对源网络卷积层进行迁移过程的同时,引入AdaFM模块并用Style Blocks替换生成器前两层,使迁移后参数更好地适应目标网络,从而提升在小样本的情况下的生成效果并降低结构复杂度,加快训练速度。本文分别使用C