目录

引言：数据高效GAN的困境

核心原理：动态质量筛选机制

1. 判别器拒绝采样（DRS）的再思考

2. 质量感知动态拒绝公式

（1）质量感知阶段

（2）动态拒绝阶段

模型架构：轻量化设计

技术突破：三大创新点

1. 首创训练阶段DRS

2. 动态拒绝机制

3. 质量重加权策略

实验验证：全面性能提升

1. 数据集与指标

2. 对比实验结果

（1）低样本数据集

（2）FFHQ数据集

代码解析：关键实现细节

对比结果：全面超越现有方法

1. 低样本数据集

2. FFHQ数据集

局限性与未来方向

---

引言：数据高效GAN的困境

近年来，生成对抗网络（GANs）在图像生成领域取得了巨大成功，但其对大规模数据集的依赖严重限制了实际应用。为解决这一问题，数据高效GANs（DE-GANs）应运而生。然而，现有方法（如数据增强、噪声注入、预训练模型）普遍存在一个关键缺陷——忽视样本质量。低质量的样本会导致判别器（D）过拟合，进而影响生成器（G）的性能。

本文提出的质量感知动态判别器拒绝采样（QADDRS）​首次将判别器拒绝采样（DRS）引入训练过程，通过动态调整样本质量阈值，有效缓解了判别器过拟合问题。实验表明，QADDRS在低样本场景下显著提升了StyleGAN2、Fast