F2GAN-Few-Shot-Image-Generation

少量样本也能生成逼真图像，少样本生成利器

F2GAN（Fusing-and-Filling GAN）是一个面向少样本图像生成的生成对抗网络模型，发表于ACM MM 2020。它解决的是在仅有少量样本（如每类1-10张）的情况下，如何生成高质量、多样化的新图像这一难题。核心创新在于“融合”与“填充”两阶段机制：先融合多个支持集图像的特征，再填充缺失的细节，从而在数据极度稀缺时仍能生成逼真且类别一致的图像。项目提供完整的训练与测试代码，支持在常见少样本数据集上复现论文结果，并集成数据增强、少样本分类等工具，适合研究少样本生成方向的开发者使用。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 79

维护状态低维护

是否开源是

定价模式 free

项目数据

分类图像生成

开发团队bcmi

所属国家

官网地址

GitHubhttps://github.com/bcmi/F2GAN-Few-Shot-Image-Generation

定价模式free

价格说明开源项目，无在线服务，需自行部署，完全免费。

访问状态

是否开源是

开源协议

主要语言Python

技术栈/模型data-augmentation,few-shot-classification,few-shot-image-generation,few-shot-learning,image-generation

GitHub 星标★ 79

30天Star增速

HF 下载量

上线时间2020-10-09 00:00:00

最近更新2026-07-03 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数2

使用教程

核心亮点

提出融合-填充两阶段机制，有效缓解少样本生成模式坍塌
在ACM MM 2020发表，算法有理论支撑且效果有论文验证
代码结构清晰，提供训练与测试脚本，便于复现

不足之处

项目维护不活跃，依赖库可能过时
文档/社区待观察

适用场景

少样本图像生成研究（如学术实验）
数据增强：为分类任务扩充稀缺类别样本
创意设计：基于少量参考图生成风格化变体

替代项目

FusionGAN、FewShotGAN、MatchingGAN

项目介绍

F2GAN-Few-Shot-Image-Generation 是图像领域的开源项目，由 bcmi 开发，2020 年首次发布。

它收录于图像分类，该分类目前共有 837 个项目，GitHub 星标数为 79。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-07-03。无在线服务，需自行部署，完全免费。

它主要面向的使用场景是：少样本图像生成研究（如学术实验）。同类可对比的替代方案包括 FusionGAN、FewShotGAN、MatchingGAN。

上一篇：SEAN

下一篇：Few-Shot-Patch-Based-Training