GAN圧縮:対話型条件付きGANのための効率的なアーキテクチャ【JST・京大機械翻訳】

Li Muyang; Lin Ji; Ding Yaoyao; Liu Zhijian; Zhu Jun-Yan; Han Song

プレプリント

J-GLOBAL ID：202202211080059812 整理番号：21P0027081

GAN圧縮:対話型条件付きGANのための効率的なアーキテクチャ【JST・京大機械翻訳】

GAN Compression: Efficient Architectures for Interactive Conditional GANs

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2020年03月19日プレプリントサーバーでの情報更新日： 2021年11月10日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

条件付き生成敵対ネットワーク(cGAN)は,多くのビジョンとグラフィックスアプリケーションのための制御可能な画像合成を可能にした。しかしながら,最近のcGANは,現代の認識CNNよりも1~2桁多い計算集約度である。例えば,GauGANは,MobileNet-v3に対する0.44G MACと比較して,画像当たり281G MACを消費し,対話型展開を困難にする。本研究では,cGANにおける発電機の推論時間とモデルサイズを低減するための汎用圧縮フレームワークを提案した。既存の圧縮法を直接適用することは,GAN訓練の困難さと発電機アーキテクチャの違いにより貧弱な性能をもたらす。2つの方法でこれらの課題に取り組んだ。最初に,GAN訓練を安定させるために,元のモデルの多重中間表現の知識を圧縮モデルに転送し,不対と対学習を統一した。第2に,既存のCNN設計を再利用する代わりに,著者らの方法は,ニューラルアーキテクチャ検索を通して効率的アーキテクチャを見つける。探索プロセスを加速するために,著者らは,重み共有を通してモデル訓練と探索を切り離した。実験は,異なる監視設定,ネットワークアーキテクチャ,および学習法を通して,著者らの方法の有効性を実証した。画像品質を失うことなく,サイクルGANの計算を21x,Pix2pixを12x,MUNITを29x,GauGANを9xに減らし,対話型画像合成の道を開いた。【JST・京大機械翻訳】

, , , , , , , , ,
, , 【Automatic Indexing@JST】

半導体薄膜 , 糖質・糖鎖一般

, ,

前のページに戻る