面向设备高效的条件图像生成

我们提出了一种新颖的算法，用于减少条件图像生成自编码器所需的张量计算，同时不牺牲逼真图像生成的质量。我们的方法与设备无关，并且可以在通用工作站上训练自编码器所需的常规时间内，针对给定的仅 CPU 或 GPU 计算设备优化自编码器。我们通过一种新颖的两阶段策略实现这一点：首先，我们压缩通道权重，使得尽可能少的通道被使用。然后，我们剪枝那些接近零的权重激活，并对自编码器进行微调。为了保持图像质量，微调通过学生-教师训练完成，其中我们将压缩后的自编码器复用为教师。我们展示了在各种条件图像生成任务上的性能提升：分割掩码到人脸图像、人脸图像到卡通化，以及最终基于 CycleGAN 的模型在多种计算设备上的表现。我们进行了各种消融研究以证明我们的主张和设计选择，并在仅 CPU 设备上实现了各种自编码器的实时版本，同时保持了图像质量，从而实现了此类自编码器的大规模部署。