利用深度可分离卷积与超分辨率生成对抗网络对渐进式生成对抗网络进行时间高效训练
图像与视频处理
2022-02-28 v1 计算机视觉与模式识别
摘要
生成对抗网络已成功用于生成尺寸为 1024^2 的高分辨率增强图像。尽管生成的增强图像前所未有，但模型的训练时间极高。常规 GAN 需同时训练判别器与生成器。在当前的 SOTA 图像增强 GAN——渐进式 GAN 中，提出了判别器与生成器同时渐进生长的新概念，而非一次性训练 GAN。尽管 4x4 与 8x8 等早期阶段训练较快，后期阶段消耗大量时间，模型训练可能需数日。本文中，我们提出一种结合渐进式 GAN（略作修改）与超分辨率 GAN 的新流程。超分辨率 GAN 将低分辨率图像上采样为高分辨率图像，可成为指数级降低训练时间的有用手段。
引用
@article{arxiv.2202.12337,
title = {Time Efficient Training of Progressive Generative Adversarial Network using Depthwise Separable Convolution and Super Resolution Generative Adversarial Network},
author = {Atharva Karwande and Pranesh Kulkarni and Tejas Kolhe and Akshay Joshi and Soham Kamble},
journal= {arXiv preprint arXiv:2202.12337},
year = {2022}
}