Lightweight Long-Range Generative Adversarial Networks

要約

本論文では、画像生成過程における長距離依存性を効果的に捕らえ、よりシンプルなアーキテクチャで高品質な結果を得ることができる、新しい軽量生成敵対ネットワークを紹介する。そのために、まず長距離モジュールを導入し、ネットワークが焦点の合ったサンプリングピクセルの数を動的に調整し、サンプリング位置も増強することができるようにする。これにより、畳み込み演算子の固定された幾何学的構造の制限を打破し、空間方向とチャンネル方向の長距離依存性を捉えることができる。また、提案する長距離モジュールは、ピクセル間の負の関係を強調することができ、学習を安定化させる正則化として働く。さらに、画像生成過程にメタデータを導入し、ターゲット画像に関する基本情報を提供することで、学習過程を安定化、高速化する新しい生成戦略を提案する。我々の新しい長距離モジュールは、わずかな追加パラメータを導入するだけで、長距離依存性を捉えるために既存のモデルに簡単に挿入することができる。広範な実験により、軽量なアーキテクチャを持つ本手法の競争力のある性能が実証された。

要約(オリジナル)

In this paper, we introduce novel lightweight generative adversarial networks, which can effectively capture long-range dependencies in the image generation process, and produce high-quality results with a much simpler architecture. To achieve this, we first introduce a long-range module, allowing the network to dynamically adjust the number of focused sampling pixels and to also augment sampling locations. Thus, it can break the limitation of the fixed geometric structure of the convolution operator, and capture long-range dependencies in both spatial and channel-wise directions. Also, the proposed long-range module can highlight negative relations between pixels, working as a regularization to stabilize training. Furthermore, we propose a new generation strategy through which we introduce metadata into the image generation process to provide basic information about target images, which can stabilize and speed up the training process. Our novel long-range module only introduces few additional parameters and is easily inserted into existing models to capture long-range dependencies. Extensive experiments demonstrate the competitive performance of our method with a lightweight architecture.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL