DepthwiseGANs：用于真实图像合成的快速训练生成对抗网络
计算机视觉与模式识别
2019-03-07 v1 图像与视频处理
摘要
近期的研究表明，在使用生成对抗网络（GANs）进行合成数据生成方面取得了显著进展。GANs已应用于计算机视觉的诸多领域，包括文本到图像转换、域迁移、超分辨率和图像到视频应用。在计算机视觉中，传统GANs基于深度卷积神经网络。然而，深度卷积神经网络可能需要大量的计算资源，因为它们基于卷积层执行的多种运算，而这些卷积层可包含数百万个可训练参数。训练GAN模型可能十分困难，且需要大量时间才能达到平衡点。本文中，我们研究使用深度可分离卷积以减少训练时间，同时保持数据生成性能。我们的结果表明，与StarGan架构相比，DepthwiseGAN架构能在更短的训练周期内生成真实图像，但模型容量在生成建模中仍起重要作用。此外，我们表明深度可分离卷积仅应用于生成器时性能最佳。对于生成图像的质量评估，我们使用Fréchet Inception Distance（FID），其比较生成图像分布与训练数据集分布之间的相似性。
引用
@article{arxiv.1903.02225,
title = {DepthwiseGANs: Fast Training Generative Adversarial Networks for Realistic Image Synthesis},
author = {Mkhuseli Ngxande and Jules-Raymond Tapamo and Michael Burke},
journal= {arXiv preprint arXiv:1903.02225},
year = {2019}
}
备注
6 pages, 8 figures, To appear in the Proceedings of Southern African Universities Power EngineeringConference/Robotics and Mechatronics/Pattern Recognition Association of South Africa(SAUPEC/RobMech/PRASA), January 20-30 2019, Bloemfotein, South Africa