摘要
我们提出了一种面向CycleGAN的神经架构搜索（Neural Architecture Search, NAS）框架，用于执行无配对图像到图像的转换任务。由于任务特性差异以及搜索空间更为庞大，将先前适用于生成对抗网络（GANs）的NAS技术直接扩展至CycleGAN并非易事。为此，我们设计了一类由多个简单的基于ResNet的细胞模块堆叠而成的网络架构，并开发了一种高效的搜索方法，以有效探索庞大的搜索空间。实验表明，我们提出的框架——CycleGANAS，不仅能高效发现性能优异的网络结构，其性能可与甚至超越原始CycleGAN，还能通过为每个转换方向分别进行独立的架构搜索，有效缓解数据不平衡问题。据我们所知，这是首个针对CycleGAN的NAS研究成果，为更复杂网络结构的神经架构搜索提供了新的思路与启示。