lecam-gan

小样本也能训练出高质量 GAN，稳定不崩

lecam-gan 是一个基于 PyTorch 的生成对抗网络实现，专注于在有限数据条件下训练 GAN。它通过引入 LeCam 散度作为正则化项，改进判别器的训练稳定性，从而缓解小样本场景下 GAN 常见的过拟合和模式崩溃问题。项目提供了完整的训练代码、配置文件和实验脚本，支持 CIFAR-10、FFHQ 等数据集，并附带预训练模型和可视化结果。核心能力包括：数据增强策略、可调节的正则化强度、以及针对低数据 regime 的优化技巧。该实现源自 CVPR 2021 论文，旨在为研究者和开发者提供一个即用型基线，帮助在数据稀缺时仍能生成高质量图像。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 166

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google

所属国家

官网地址

GitHubhttps://github.com/google/lecam-gan

定价模式free

价格说明开源项目，Apache-2.0许可证，可自由使用和修改，无付费版本。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Jupyter Notebook

技术栈/模型cvpr2021,data-efficient,gan,image-generation

GitHub 星标★ 166

30天Star增速

HF 下载量

上线时间2021-03-19 00:00:00

最近更新2026-07-21 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

在少量数据（如 10% CIFAR-10）下显著提升生成质量，减少模式崩溃
实现简洁，基于 PyTorch，易于集成到现有 GAN 训练流程
提供多种数据集配置和预训练模型，开箱即用

不足之处

代码结构较简单，缺少分布式训练支持，扩展性有限
文档和社区活跃度一般，依赖旧版本库

适用场景

数据稀缺的科研实验（如医学图像、艺术风格生成）
快速验证 GAN 正则化方法效果的基准测试
教学演示：理解 LeCam 散度对 GAN 稳定性的影响

替代项目

FreeGAN、FastGAN、Data-Efficient GANs (DiffAugment)

项目介绍

lecam-gan 是图像领域的开源项目，由 google 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 166。

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 2026-07-21。Apache-2.0许可证，可自由使用和修改，无付费版本。

它主要面向的使用场景是：数据稀缺的科研实验（如医学图像、艺术风格生成）。同类可对比的替代方案包括 FreeGAN、FastGAN、Data-Efficient GANs (DiffAugment)。

上一篇：stable-diffusion-prompt-reader

下一篇：VisorGPT