Réseaux antagonistes génératifs à quaternions

Les dernières réseaux génératifs adversariaux (GANs) obtiennent des résultats remarquables grâce à un entraînement à grande échelle, ce qui implique l’utilisation de modèles composés de millions de paramètres et nécessitant des capacités de calcul importantes. La construction de tels modèles massifs compromet leur reproductibilité et augmente l’instabilité de l’entraînement. En outre, les données multi-canaux, telles que les images ou les signaux audio, sont généralement traitées par des réseaux convolutionnels à valeurs réelles qui plient et concatènent les entrées, entraînant souvent une perte de relations spatiales intra-canal. Pour remédier à ces problèmes liés à la complexité et à la perte d’information, nous proposons une famille de réseaux génératifs adversariaux à valeurs quaternioniques (QGANs). Les QGANs exploitent les propriétés de l’algèbre des quaternions, notamment le produit de Hamilton, qui permet de traiter les canaux comme une entité unique tout en capturant les relations latentes internes, tout en réduisant d’un facteur 4 le nombre total de paramètres. Nous détaillons comment concevoir des QGANs et montrons comment étendre cette approche à des modèles avancés. Nous comparons les QGANs proposés aux versions à valeurs réelles sur plusieurs benchmarks de génération d’images. Les résultats montrent que les QGANs parviennent à obtenir de meilleurs scores FID que les GANs à valeurs réelles et à générer des images visuellement attrayantes. En outre, les QGANs permettent de réduire jusqu’à 75 % du nombre de paramètres à entraîner. Nous pensons que ces résultats ouvrent la voie à de nouveaux GANs plus accessibles, capables d’améliorer les performances tout en économisant des ressources computationnelles.