SETGAN：面向移动平台图像应用的规模与能耗权衡GAN
计算机视觉与模式识别
2021-03-25 v1 机器学习
图像与视频处理
摘要
我们考虑在移动平台上使用生成对抗网络（GAN）进行照片级真实无条件图像生成（生成与图像具有相同视觉内容的高质量、多样化样本）的任务。本文提出一种将GAN图像生成精度与运行时能耗（计算量）进行权衡的新方法，称为规模-能耗权衡GAN（SETGAN）。GAN通常训练时间长且消耗巨大内存，因而难以在边缘设备运行。SETGAN用于图像生成任务的关键思想是：对给定输入图像，我们在远程服务器训练GAN并在边缘设备使用训练模型。我们采用SinGAN——一种单图像无条件生成模型，其包含全卷积GAN金字塔，各层负责学习图像不同尺度的块分布。训练过程中，我们依据给定输入图像与目标边缘设备的能耗约束确定最优尺度数。结果表明，借助SETGAN独特的基于客户端-服务器架构，我们以损失3%至12% SSIM精度实现了56%的能耗增益。此外，通过并行多尺度训练，我们在服务器端获得约4倍的训练时间增益。
引用
@article{arxiv.2103.12896,
title = {SETGAN: Scale and Energy Trade-off GANs for Image Applications on Mobile Platforms},
author = {Nitthilan Kannappan Jayakodi and Janardhan Rao Doppa and Partha Pratim Pande},
journal= {arXiv preprint arXiv:2103.12896},
year = {2021}
}