借助图像数据集，无监督图像到图像转换方法可以将给定类的图像映射到另一类的模拟图像。虽然这种模型非常成功，但在训练时需要大量源类和目标类的图像。在论文《Few-Shot Unsupervised Image-to-Image Translation》中，作者认为这极大限制了这些方法的应用。因为人类能够从少量样本中抓住新事物的本质，并「想象」出它们在不同情况下的状态。作者从中获得启发，探索一种 few-shot 无监督的图像到图像迁移算法，这种算法适用于测试时仅由少量样本图像指定的以前没见过的目标类。通过对抗训练方案和新网络设计的结合，该模型能够实现 few-shot 图像生成。此外，在经过大量实验验证以及与基准数据集上的几种基线方法比较后，作者证实了所提出框架的有效性。