CoroNetGAN：通过超网络实现GAN的可控剪枝
计算机视觉与模式识别
2024-03-14 v1 人工智能
图像与视频处理
摘要
生成对抗网络（GAN）已被证明表现出卓越的性能，并广泛应用于许多生成式计算机视觉应用中。然而，由于生成过程涉及大量参数，在资源受限的边缘设备上部署GAN的空前需求仍然构成挑战。这导致了对GAN压缩领域的重点关注。现有的大部分工作使用知识蒸馏，但存在依赖教师模型的额外开销。此外，这些方法无法控制压缩的程度。因此，我们提出了CoroNet-GAN，利用通过超网络实现的可微剪枝方法的综合优势来压缩GAN。所提出的方法提供了在训练过程中执行可控压缩的优势，同时显著减少了训练时间。我们在多种条件GAN架构（Pix2Pix和CycleGAN）上进行了实验，以证明我们的方法在多个基准数据集（如Edges-to-Shoes、Horse-to-Zebra和Summer-to-Winter）上的有效性。获得的结果表明，我们的方法成功超越了基线，在Zebra-to-Horse和Summer-to-Winter上分别取得了32.3和72.3的最佳FID分数，在所有数据集上生成了高保真度图像。此外，我们的方法在多种智能手机芯片组和数据类型上实现了更优的推理时间，超越了最先进的方法，使其成为在边缘设备上部署的可行解决方案。
引用
@article{arxiv.2403.08261,
title = {CoroNetGAN: Controlled Pruning of GANs via Hypernetworks},
author = {Aman Kumar and Khushboo Anand and Shubham Mandloi and Ashutosh Mishra and Avinash Thakur and Neeraj Kasera and Prathosh A P},
journal= {arXiv preprint arXiv:2403.08261},
year = {2024}
}