Amélioration des performances des GAN grâce à la recherche d'architecture neuronale et à la décomposition tensorielle

Les réseaux antagonistes génératifs (GANs) se sont imposés comme un outil puissant pour la génération de contenus de haute fidélité. Ce papier présente une nouvelle procédure d'entraînement qui exploite la recherche d'architecture neuronale (NAS) afin de découvrir l'architecture optimale pour la génération d'images, tout en utilisant une perte répulsive basée sur le décalage moyen maximum (MMD) pour l'entraînement antagoniste. En outre, le réseau générateur est compressé au moyen d'une décomposition tensorielle, réduisant ainsi son empreinte computationnelle et son temps d'inférence tout en préservant ses performances de génération. Les résultats expérimentaux montrent une amélioration de 34 % et 28 % du score FID sur les jeux de données CIFAR-10 et STL-10 respectivement, accompagnée de réductions d'empreinte de 14× et 31× par rapport à la meilleure méthode rapportée dans la littérature en termes de score FID. Le code de mise en œuvre est disponible à l'adresse suivante : https://github.com/PrasannaPulakurthi/MMD-AdversarialNAS.