FIANCEE：基于条件早退的对抗网络加速推理
计算机视觉与模式识别
2023-12-08 v2 人工智能
摘要
生成式DNN是图像合成的有力工具，但受限于计算负载。另一方面，给定一训练模型与任务（如在一定特征范围内生成人脸），输出图像质量在具不同特征的图像间分布不均。由此可知，我们可在部分实例上抑制模型复杂度，同时保持高质量。我们提出一种通过向原架构添加所谓早退分支、并依据渲染输出的难度动态切换计算路径来减少计算量的方法。我们将该方法应用于两个执行生成任务的SOTA模型：从语义图生成，以及人脸表情跨重演，显示其能以自定义低质量阈值输出图像。对于LPIPS <=0.1的阈值，我们将其计算量至多减少一半。这对于人脸合成等实时应用尤为相关，此类应用需控制质量损失，但多数输入所需计算少于复杂实例。
引用
@article{arxiv.2304.10306,
title = {FIANCEE: Faster Inference of Adversarial Networks via Conditional Early Exits},
author = {Polina Karpikova and Radionova Ekaterina and Anastasia Yaschenko and Andrei Spiridonov and Leonid Kostyushko and Riccardo Fabbricatore and Aleksei Ivakhnenko},
journal= {arXiv preprint arXiv:2304.10306},
year = {2023}
}
备注
12 pages, 22 figures