基于测地曲面信息迁移的小样本图像生成方法

本文提出了一种创新性小样本图像生成框架ITBGS（Information Transfer from the Built Geodesic Surface），通过构建测地曲面（Geodesic Surface）的FAGS模块实现特征增强，结合I&R模块优化生成质量，在无需预训练模型的情况下，成功解决了FSIG（Few-shot Image Generation）中保真度与多样性的平衡难题。

　　

Highlight

现代图像生成方法如变分自编码器(VAE)、生成对抗网络(GAN)和扩散模型虽能产生高保真图像，但其训练依赖大规模数据集。本研究针对材料科学、医学影像等数据稀缺领域，开发了不依赖预训练模型的创新解决方案。

Methodology

我们的ITBGS框架包含两大核心模块：

1. 1.

   测地曲面特征增强(FAGS)：首次将形状空间理论(Shape Space Theory)应用于FSIG，通过预形状空间(Pre-Shape Space)构建测地曲面，生成几何意义明确的多样化特征

2. 2.

   插值与正则化(I&R)：通过监督插值图像和特征空间正则化，消除潜在空间不连续性，确保生成图像的平滑过渡

Implementation details

采用StyleGAN2架构，设置关键参数λ₁=0.8、λ₂=1.25、λ₃=0.8，在NVIDIA RTX 3090显卡上实现高效训练。通过基于patch的测地自相关损失优化，确保小样本条件下的稳定训练。

Conclusion

ITBGS通过测地曲面构建伪源域的创新方法，在多个小样本数据集上实现了保真度与多样性的最佳平衡，为医学影像等数据稀缺领域提供了有效的解决方案。