DGL-GAN：面向 GAN 压缩的判别器引导学习
计算机视觉与模式识别
2024-03-26 v2
摘要
具有高计算成本的生成对抗网络（GANs），如 BigGAN 和 StyleGAN2，已在从随机噪声合成高分辨率图像方面取得显著成果。在保持生成逼真图像的同时降低 GANs 的计算成本是一个具有挑战性的领域。在本工作中，我们提出一种新颖而简洁的{\bf 判}别{\bf 器}{\bf 引}导{\bf 学}习方法用于压缩原始{\bf GAN}，称为{\bf DGL-GAN}。受教师判别器可能包含关于真实图像与生成图像的有意义信息这一现象的启发，我们仅通过教师判别器与学生生成器之间的对抗交互来迁移教师判别器的知识。我们将 DGL-GAN 应用于压缩两种最具代表性的大规模原始 GAN，即 StyleGAN2 和 BigGAN。实验表明 DGL-GAN 在 StyleGAN2 和 BigGAN 上均取得了最先进的（SOTA）结果。此外，DGL-GAN 在提升原始未压缩 GAN 的性能方面同样有效。经 DGL-GAN 提升的原始未压缩 StyleGAN2 在 FFHQ 上取得了 FID 2.65，达到了新的最先进性能。代码与模型见 \url{https://github.com/yuesongtian/DGL-GAN}
引用
@article{arxiv.2112.06502,
title = {DGL-GAN: Discriminator Guided Learning for GAN Compression},
author = {Yuesong Tian and Li Shen and Xiang Tian and Dacheng Tao and Zhifeng Li and Wei Liu and Yaowu Chen},
journal= {arXiv preprint arXiv:2112.06502},
year = {2024}
}