DEGAS: 可微分高效生成器搜索
多粒度架构搜索(MGAS)是一个统一框架,旨在全面且高效地探索多粒度搜索空间以发现既有效又高效的神经网络,并在模型性能和模型大小之间取得更好的平衡。
Oct, 2023
我们为 CycleGAN 开发了一种神经架构搜索(NAS)框架,用于执行无成对图像到图像的翻译任务,并设计了由简单的基于 ResNet 的单元堆栈组成的架构,有效探索大搜索空间,并且成功解决了数据不平衡的问题。这是 CycleGAN 的第一个 NAS 结果,为更复杂的结构带来了启示。
Nov, 2023
本文提出一种基于多目标进化策略的两阶段神经结构搜索方法 (EAGAN),旨在稳定生成对抗网络(GANs)的训练过程以提高图像生成性能,实验结果表明其有效性。
Nov, 2021
本文介绍了一项有关 AutoGAN 的初步研究,这是将神经架构搜索算法引入生成对抗网络中的首个尝试。通过使用 RNN 控制器来引导搜索生成器构架的变化,实验结果验证了 AutoGAN 在无条件图像生成任务中的有效性,并与当前最先进的手工制作的 GANs 相比,取得了高竞争性的表现。
Aug, 2019
本文提出了一种专为生成对抗网络(GAN)设计的 AdversarialNAS 方法,它是第一种能够同时搜索生成器和鉴别器架构的方法,并且不需要计算任何额外指标以评估搜索架构性能,该方法在 CIFAR-10 上取得了新的最优状态下的 FID 分数 10.87 和高竞争的 Inception Score 8.74,并且也在 STL-10 上取得了新的最优状态下的 FID 分数 26.98 和 Inception Score 9.63。
Dec, 2019
本文提出了具有可证明收敛保证的生成式对抗网络 NAS (GA-NAS),并基于权重的鉴别器提供的奖励,采用增强学习训练生成器,探索搜寻空间而无需评估大量体系结构,通过三个公共 NAS 基准测试,在多个情况下 GA-NAS 都能打败已发布的最佳结果,同时 GA-NAS 可以处理特定搜寻约束和空间,能用于改进其他 NAS 方法找到的优化基线的 ImageNet 准确性或参数数量。
May, 2021
本文介绍了一种全可微分搜索框架 alphaGAN,用于优化生成式对抗网络(GANs)的网络架构。实验表明,该算法可以在仅使用 3 GPU 小时的情况下有效地优化高性能结构,且搜索过程是一种双层极小极大优化问题,采用全可微分的方式。
Jun, 2020
本文提出了基于强化学习的神经架构搜索方法,用于寻找生成对抗网络的最佳结构。结合马尔科夫决策过程和离线搜索算法能够提高搜索效率,该方法能够以较少的计算负担找到高竞争性的架构,获得更好的图像生成结果。
Jul, 2020