南京邮电大学学报(自然科学版)

作者：马涛,赵华,樊卫东,罗华峰,吴强,石瑞达,张铁勋

单位：南瑞集团有限公司（国网电力科学研究院有限公司），江苏 南京 211106；南京南瑞信息通信科技有限公司，江苏 南京 211106南瑞集团有限公司（国网电力科学研究院有限公司），江苏 南京 211106；南京南瑞信息通信科技有限公司，江苏 南京 211106南瑞集团有限公司（国网电力科学研究院有限公司），江苏 南京 211106；南京南瑞信息通信科技有限公司，江苏 南京 211106南瑞集团有限公司（国网电力科学研究院有限公司），江苏 南京 211106；南京南瑞信息通信科技有限公司，江苏 南京 211106国网浙江省电力有限公司电力科学研究院，浙江 杭州 310014南瑞集团有限公司（国网电力科学研究院有限公司），江苏 南京 211106；南京南瑞信息通信科技有限公司，江苏 南京 211106南瑞集团有限公司（国网电力科学研究院有限公司），江苏 南京 211106；南京南瑞信息通信科技有限公司，江苏 南京 211106

关键词：小样本学习；元学习；图像生成技术；无监督学习；生成对抗网络

基金：国家电网有限公司总部科技项目（5700-202319302A-1-1-ZN）资助项目

常见的生成对抗网络（Generative Adversarial Network，GAN）通过对抗学习合成新的真实图像，但需大量训练数据。受人脑从少量示例快速学习新概念的启发，提出了一种快速自适应的元学习模型，基于GAN和编码器网络，用于小样本图像生成。该模型仅需少量示例，通过训练简化网络并增加生成器迭代次数，生成未见过的目标类别图像。与对比模型相比，能以5倍速度收敛，所需可训练参数减少至1/4。实验结果表明，快速自适应元学习模型在小样本图像生成方面具有最高的图像质量、多样性和清晰度，以及与常见数据集相当的逼真程度，有效提升了小样本图像的生成性能。

来源：2025年第02期

《南京邮电大学学报(自然科学版)》期刊编辑部

查看南京邮电大学学报(自然科学版)杂志2025年第02期