少样本图像生成（FSIG）通过使用少量（例如，10个）参考样本来学习生成目标领域中多样且高保真的图像。现有的FSIG方法选择、保留并将源生成器（在相关领域上预训练）的先验知识转移到目标生成器中进行学习。在本文中，我们研究了FSIG中一个鲜为人知的问题，称为不兼容知识迁移，它会大大降低合成样本的真实感。实证观察表明，这个问题源于源生成器中最不重要的过滤器。为此，我们提出了知识截断来缓解FSIG中的这个问题，它是一种与知识保护互补的操作，并通过一种轻量级的剪枝方法实现。大量实验表明，知识截断简单且有效，始终实现最先进的性能，包括源和目标领域距离较远的具有挑战性的设置。项目页面：yunqing-me.github.io/RICK。

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知，获取100000+AI(AI与军事、医药、公安等)主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“阅读原文”，了解使用专知，查看获取100000+AI主题知识资料