SP-GAN: Redes Generativas Antagónicas de Crecimiento y Poda Autógenos

Este artículo presenta una nueva Red Generativa Antagónica de Crecimiento y Poda Autógena (SP-GAN) para la generación de imágenes realistas. En contraste con los modelos tradicionales de GAN, nuestra SP-GAN es capaz de ajustar dinámicamente el tamaño y la arquitectura de una red en la etapa de entrenamiento mediante el uso de los mecanismos de crecimiento y poda autógenos propuestos. Para ser más específicos, primero entrenamos dos redes semilla como el generador y el discriminador; cada una contiene un pequeño número de núcleos de convolución. Estas redes de pequeña escala son mucho más fáciles y rápidas de entrenar que las redes de gran capacidad. En segundo lugar, en el paso de crecimiento autógeno, replicamos los núcleos de convolución de cada red semilla para aumentar la escala de la red, seguidos de un ajuste fino de la red aumentada/expandida. Más importante aún, para prevenir el crecimiento excesivo de cada red semilla en la etapa de crecimiento autógeno, proponemos una estrategia de poda que reduce la redundancia de una red aumentada, produciendo la escala óptima de la red. Finalmente, diseñamos una nueva función de pérdida adaptativa que se trata como un proceso computacional de pérdida variable para el entrenamiento del modelo SP-GAN propuesto. Por diseño, los hiperparámetros de la función de pérdida pueden adaptarse dinámicamente a diferentes etapas de entrenamiento. Los resultados experimentales obtenidos en un conjunto de datos demuestran las ventajas del método propuesto, especialmente en términos de la estabilidad y eficiencia del entrenamiento de la red. El código fuente del método SP-GAN propuesto está disponible públicamente en https://github.com/Lambert-chen/SPGAN.git.