面向高保真少样本图像合成的更快速稳定GAN训练
计算机视觉与模式识别
2021-01-14 v1 人工智能
摘要
在高保真图像上训练生成对抗网络（GAN）通常需要大规模GPU集群与大量训练图像。本文研究以最小计算成本进行GAN少样本图像合成任务。我们提出一种轻量GAN结构，在1024*1024分辨率上获得优越质量。值得注意的是，模型在单块RTX-2080 GPU上仅训练数小时即从零收敛，且即使训练样本少于100也表现稳定。两项技术设计构成我们的工作：跳跃层通道激励模块，以及作为特征编码器训练的自监督判别器。在涵盖广泛图像领域的十三个数据集上（数据集与代码见：https://github.com/odegeasslbc/FastGAN-pytorch），我们展示了在数据量与计算预算受限时，相比最先进的StyleGAN2，模型的优越性能。
引用
@article{arxiv.2101.04775,
title = {Towards Faster and Stabilized GAN Training for High-fidelity Few-shot Image Synthesis},
author = {Bingchen Liu and Yizhe Zhu and Kunpeng Song and Ahmed Elgammal},
journal= {arXiv preprint arXiv:2101.04775},
year = {2021}
}
备注
ICLR-2021