轻量级长程生成对抗网络
计算机视觉与模式识别
2022-09-09 v1 机器学习
摘要
本文提出一种新颖的轻量级生成对抗网络（GAN），可有效捕捉图像生成过程中的长程依赖，并以更简洁的架构生成高质量结果。为此，我们首先引入一个长程模块，使网络能够动态调整聚焦采样像素的数量并扩充采样位置。因此，它能打破卷积算子固定几何结构的限制，在空间和通道两个方向上捕捉长程依赖。此外，所提长程模块可突出像素间的负向关联，起到正则化作用以稳定训练。进一步，我们提出一种新的生成策略，将元数据引入图像生成过程以提供目标图像的基本信息，从而稳定并加速训练。我们的新颖长程模块仅引入极少额外参数，且易于插入现有模型以捕捉长程依赖。大量实验证明了我们的方法在轻量级架构下的竞争性能。
引用
@article{arxiv.2209.03793,
title = {Lightweight Long-Range Generative Adversarial Networks},
author = {Bowen Li and Thomas Lukasiewicz},
journal= {arXiv preprint arXiv:2209.03793},
year = {2022}
}