单阶段训练生成对抗网络
计算机视觉与模式识别
2021-06-17 v3 机器学习
图像与视频处理
摘要
生成对抗网络（GANs）在各种图像生成任务中展现出前所未有的成功。然而，令人鼓舞的结果是以繁琐的训练过程为代价的，其中生成器与判别器在两阶段中交替更新。本文研究一种通用训练方案，其能够高效地仅以单阶段训练 GANs。基于生成器与判别器的对抗损失，我们将 GANs 分为两类：对称 GAN 与非对称 GAN，并引入一种新颖的梯度分解方法统一二者，从而允许我们在单阶段训练这两类网络，进而减轻训练负担。我们还从计算上分析了所提方法的效率，并经验性地证明所提方法在不同数据集与网络架构上取得了稳固的 加速。此外，我们表明所提方法易于应用于其他对抗训练场景，如免数据知识蒸馏。代码见 https://github.com/zju-vipa/OSGAN。
引用
@article{arxiv.2103.00430,
title = {Training Generative Adversarial Networks in One Stage},
author = {Chengchao Shen and Youtan Yin and Xinchao Wang and Xubin Li and Jie Song and Mingli Song},
journal= {arXiv preprint arXiv:2103.00430},
year = {2021}
}
备注
Accepted to CVPR 2021