ICCV2019 | AutoGAN：自动搜索生成对抗网络的结构

最新推荐文章于 2024-09-02 09:52:44 发布

AI大模型头条

最新推荐文章于 2024-09-02 09:52:44 发布

阅读量3.5k

点赞数

文章标签： ICCV ICCV2019

本文链接：https://blog.csdn.net/AMiner2006/article/details/102742422

版权

本文介绍了AutoGAN，这是一种首次将神经网络结构搜索应用于生成对抗网络的方法，旨在自动寻找优秀的生成器结构。通过定义GAN的搜索空间，使用RNN控制器和多级搜索策略，AutoGAN在CIFAR-10和STL-10数据集上实现了与手工设计GAN相当甚至更好的结果。

摘要由CSDN通过智能技术生成

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