DeceiveD

数据不够也能训好 GAN，用伪增强骗过判别器

DeceiveD 是 NeurIPS 2021 收录的少样本 GAN 训练方法，核心解决真实数据不足时 GAN 训练不稳定、易过拟合的问题。它提出自适应伪增强（Adaptive Pseudo Augmentation）策略，在训练过程中动态生成伪样本并选择性加入真实数据，以欺骗判别器，从而提升生成质量。项目提供完整 PyTorch 实现，支持多种数据集和基线模型，代码结构清晰，便于复现和扩展。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 234

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EndlessSora

所属国家

官网地址

GitHubhttps://github.com/EndlessSora/DeceiveD

定价模式free

价格说明开源项目，代码公开，可自行部署使用，无收费计划。

访问状态

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型few-shot,gan,generative-adversarial-network,generative-model,image-generation,image-synthesis,limited-data,neurips-2021,stylegan2

GitHub 星标★ 234

30天Star增速

HF 下载量

上线时间2021-11-11 00:00:00

最近更新2026-03-28 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3

使用教程

核心亮点

方法创新：自适应伪增强机制，在少样本场景下显著提升 FID 等指标
代码完整：提供训练、评估脚本及预训练模型，易于复现 NeurIPS 论文结果
兼容性好：支持多种 GAN 架构（如 StyleGAN2），方便集成到现有流程

不足之处

文档/社区待观察：项目维护不活跃，教程和示例较少
依赖特定训练技巧，调参门槛较高，新手不易上手

适用场景

学术研究：少样本图像生成方向对比实验
工业应用：小数据量产品图生成、虚拟试穿等
教学演示：GAN 训练稳定性改进案例

替代项目

FreezeD、ADA (StyleGAN2-ADA)、Data-Efficient GANs

项目介绍

DeceiveD 是图像领域的开源项目，由 EndlessSora 开发，2021 年首次发布。

它收录于图像分类，该分类目前共有 839 个项目，GitHub 星标数为 234。

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 2026-03-28。代码公开，可自行部署使用，无收费计划。

它主要面向的使用场景是：学术研究：少样本图像生成方向对比实验。同类可对比的替代方案包括 FreezeD、ADA (StyleGAN2-ADA)、Data-Efficient GANs。

上一篇：AODA

下一篇：GNGAN-PyTorch