边策 鱼羊 发自 凹非寺
量子位 报道 | 公众号 QbitAI
现如今，GAN的效果已经越来越出神入化。
比如英伟达的GauGAN，就如神笔马良，能够凭空造物：
不过，从无化有背后，计算量也相当惊人。
以GauGAN为例，与MobileNet-v3这样的识别CNN相比，参数只相差1个数量级（4.2 : 93）计算强度却高出了2个数量级（0.5 : 281）。
如此一来，交互式部署就变得很困难。
更直白来说，想要把模型部署到手机、平板这样的终端，换装变脸转性别，这些边缘设备——吃不太消。
为了解决这一问题，来自MIT、Adobe研究院和上海交通大学的团队琢磨出了一个通用压缩框架。
有多强？
一举将CycleGAN的计算量减少了20倍以上，将GauGAN的计算量减少了9倍，简笔画到实物图的pix2pix也能驾驭，效果却未差分毫。
值得一提的是。论文已入选CVPR 2020，代码也已开源。
作者团队也星光璀璨，一作是来自上海交通大学ACM班的本科生李沐阳，CycleGAN的作者朱俊彦则亲身参与、指导。
GAN压缩算法
压缩GAN，并不像压缩其他CNN模型那样容易。
主要原因：GAN的训练动力学高度不稳定，生成器与鉴别器之间存在巨大的结构差异，让我们很难使用现有的CNN压缩算法。
为了解决这个问题，作者提出了针对有效生成模型量身定制的训练方案，并通过神经架构搜索（NAS）进一步提高压缩率。
GAN压缩的框架如下图所示，主要分为3个部分：
最低0.47元/天 解锁文章
299
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
