本文作者:肖健 在读博士
作者学校:哈尔滨工程大学
研究方向:生成对抗网络,视频处理,目标检测。
前言
本文对ICCV2019论文《AutoGAN:Neural Architecture Search for Generative Adversarial Networks》进行解读。
这篇文章聚焦于将神经网络结构搜索(NAS)引入到生成对抗网络(GAN)中,以期自动搜索到一个较好的生成器结构而无需人工设计,将该方法称为AutoGAN。为了解决NAS和GAN结合面临的独特挑战,作者首先定义了生成器结构变化的搜索空间,然后使用RNN控制器来指导搜索,并通过参数共享和动态重置来加速该过程。最后使用Inception score作为奖励,引入多级搜索策略以逐步执行NAS。
实验验证了AutoGAN在非条件图像生成任务上的有效性。使用AutoGAN搜索到的网络结构不输于当前手工设计的最先进GAN结构,将FID在CIFAR-10数据集上的最好结果提高到12.42,STL-10数据集上的最好结果提高到31.01。
论文地址:https://arxiv.org/abs/1908.03835
源码地址:https://github.com/TAMU-VITA/AutoGAN
作者:Xinyu Gong,Shiyu Chang,Yifan Jiang,Zhangyang Wang(德克萨斯A&M大学,MIT-IBM Watson AI Lab)
研究背景
近年来生成对抗网络(GAN)受到学者的广泛关注,其在生成逼真的自然图像方面具有明显优势。为了提高生成图像的质量,研究者们进行了很多工作,包括修改判别器损失函数,增加正则项,引入注意力机制以及采用渐进式的训练方法。但GAN的基本结构设计受到的关注相对较少,早期的大多数GAN一直使用相对较浅的生成器和判别器网络结构。近期,一些GAN在生成器中采用残差结构,以更好地生成高分辨率图像。在大多数计算机视觉任务中,许多进步得益于网络体系结构的改进,例如图像分类、分割和姿势估计。因此,作者认为对基本网络结构的设计进行研究会进一步改善GAN的性能。
近年来,人们对自动设计复杂神经网络结构的兴趣日益浓厚。神经网络结构搜索(NAS)已成功应用到了图像分类、图像分