面向StyleGAN压缩的多样性感知通道剪枝
计算机视觉与模式识别
2024-03-21 v1
摘要
StyleGAN 在无条件图像生成方面表现出卓越的性能。然而，其高昂的计算成本给实际应用带来了重大挑战。尽管近期已有研究致力于在保持性能的同时压缩 StyleGAN，但现有的压缩模型仍然落后于原始模型，特别是在样本多样性方面。为了克服这一点，我们提出了一种新颖的通道剪枝方法，该方法利用了通道对潜向量敏感度的差异，这是影响样本多样性的一个关键因素。具体而言，通过基于通道对潜向量扰动的敏感度来评估通道重要性，我们的方法增强了压缩模型中样本的多样性。由于我们的方法仅专注于通道剪枝阶段，因此它与先前的训练方案具有互补优势，且无需额外的训练成本。大量实验表明，我们的方法显著增强了各种数据集上的样本多样性。此外，在 FID 分数方面，我们的方法不仅大幅超越了最先进水平，而且仅用一半的训练迭代次数就取得了可比的分数。
引用
@article{arxiv.2403.13548,
title = {Diversity-aware Channel Pruning for StyleGAN Compression},
author = {Jiwoo Chung and Sangeek Hyun and Sang-Heon Shim and Jae-Pil Heo},
journal= {arXiv preprint arXiv:2403.13548},
year = {2024}
}
备注
Accepted to CVPR 2024. Project page: https://jiwoogit.github.io/DCP-GAN_site