PBGen：基于反卷积生成器的部分二值化用于边缘智能

本工作探索对 GAN 中基于反卷积的生成器进行二值化，以节省内存并加速图像生成。我们的研究表明，不同于卷积神经网络（包括判别器）中所有层均可二值化，生成器中仅部分层可在不显著损失性能的前提下被二值化。在理论分析支持与实验验证下，我们建立了一个基于反卷积操作维度的直接度量，可用于快速决定生成器中哪些层可被二值化。我们的结果还表明，生成器与判别器应同时二值化以实现均衡竞争与更优性能。基于 CelebA 的实验结果表明，直接将最先进二值化技术应用于生成器所有层，相较原始生成器会导致按切片 Wasserstein 距离衡量的 2.83$\times$ 性能损失，而仅应用于选定层则可在几乎不损失性能的情况下实现高达 25.81$\times$ 的内存节省，以及推理与训练分别 1.96$\times$ 和 1.32$\times$ 的加速。