面向高效生成对抗网络的由粗到细搜索
计算机视觉与模式识别
2021-04-20 v1
摘要
本文研究用于开发高效生成器网络的神经架构搜索(NAS)问题。与用于视觉识别任务的深度模型相比,生成对抗网络(GAN)通常设计用于执行各种复杂的图像生成。我们首先发现了生成器网络的完整搜索空间,包括路径、算子、通道三个维度,以充分挖掘网络性能。为降低巨大的搜索成本,我们探索了一种由粗到细的搜索策略,将整体搜索过程相应地划分为三个子优化问题。此外,采用一种公平的超网训练方法,以确保所有子网络都能公平且稳定地更新。在基准上的实验结果表明,与最先进的方法相比,我们提供的生成器网络具有更好的图像质量和更低的计算成本。例如,使用我们的方法,在完整的edges-to-shoes数据集上仅需约8个GPU小时即可获得一个2.56 MB、FID分数为24.13的模型,在完整的Urban100数据集上仅需10个GPU小时即可获得一个1.49 MB、PSNR分数为24.94的模型。
引用
@article{arxiv.2104.09223,
title = {Coarse-to-Fine Searching for Efficient Generative Adversarial Networks},
author = {Jiahao Wang and Han Shu and Weihao Xia and Yujiu Yang and Yunhe Wang},
journal= {arXiv preprint arXiv:2104.09223},
year = {2021}
}