通过对抗训练提升 GAN 的速度与质量
机器学习
2020-08-11 v1 计算机视觉与模式识别
机器学习
摘要
生成对抗网络（GAN）在图像生成任务中展现了显著成果。高保真类条件 GAN 方法常依赖于通过约束全局 Lipschitz 连续性来稳定化的技术。此类正则化导致模型表达能力较弱且收敛速度较慢；其他技术（如大批量训练）需要非常规的计算能力且不易普及。本文中，我们开发了一种高效算法，即 FastGAN（Free AdverSarial Training，自由对抗训练），基于对抗训练技术来提升 GAN 训练的速度与质量。我们在 CIFAR10、ImageNet 的一个子集以及完整 ImageNet 数据集上对所提方法进行了基准测试。我们选取了 SNGAN 和 SAGAN 等强基线；结果表明，我们的训练算法能以更少的总体训练时间取得更好的生成质量（就 Inception 分数和 Frechet Inception 距离而言）。最值得注意的是，我们的训练算法仅需 2-4 块 GPU 即可将 ImageNet 训练带给更广泛的用户。
引用
@article{arxiv.2008.03364,
title = {Improving the Speed and Quality of GAN by Adversarial Training},
author = {Jiachen Zhong and Xuanqing Liu and Cho-Jui Hsieh},
journal= {arXiv preprint arXiv:2008.03364},
year = {2020}
}