要約
高精細度画像上で生成対抗ネットワーク（GAN）を学習するには、通常、大規模なGPUクラスタと膨大な数の学習画像が必要となる。本論文では、計算コストを最小限に抑えた状態で、GANによる少数画像からの画像合成タスクに着目する。我々は、1024×1024解像度において優れた画像品質を達成する軽量なGAN構造を提案する。特に、単一のRTX-2080 GPU上で数時間の学習でスクラッチから収束可能であり、100枚未満の学習サンプルでも一貫した性能を発揮する。本研究の主な貢献は2点である：1）スキップ層を用いたチャネル単位のエキサイトーションモジュール、2）特徴エンコーダとして学習される自己教師型ディスクリミネータ。13の異なる画像ドメインをカバーするデータセット（データセットおよびコードは https://github.com/odegeasslbc/FastGAN-pytorch で公開）を用いて、データ量および計算リソースの制約下においても、最先端のStyleGAN2と比較して本モデルが優れた性能を示すことを実証した。