Verbesserung der GAN-Leistung durch Neural Architecture Search und Tensordekomposition

Generative Adversarielle Netzwerke (GANs) sind zu einem leistungsfähigen Werkzeug für die Erzeugung hochqualitativer Inhalte geworden. In diesem Paper wird ein neuer Trainingsansatz vorgestellt, der Neural Architecture Search (NAS) nutzt, um die optimale Architektur für die Bildgenerierung zu finden, während gleichzeitig die Maximum Mean Discrepancy (MMD)-Replikationsverlustfunktion für das adversarielle Training eingesetzt wird. Zudem wird das Generator-Netzwerk mittels Tensorfaktorisierung komprimiert, um seinen Rechenaufwand und die Inferenzzeit zu verringern, ohne dabei die generativen Leistungsmerkmale zu beeinträchtigen. Experimentelle Ergebnisse zeigen eine Verbesserung des FID-Scores um 34 % und 28 % auf den Datensätzen CIFAR-10 und STL-10 jeweils, wobei sich die Speicherplatzanforderungen im Vergleich zur besten im Literaturverzeichnis dokumentierten Methode um den Faktor 14 beziehungsweise 31 verringern. Der Implementierungscode ist unter folgender URL verfügbar: https://github.com/PrasannaPulakurthi/MMD-AdversarialNAS.