wuvin
Always take risks!
Toggle navigation
wuvin
主页
实验室的搬砖生活
机器学习
公开的学术内容
公开的其他内容
About Me
归档
标签
友情链接
ZYQN
ihopenot
enigma_aw
hzwer
杨宗翰
Anycost GAN
2021-03-29 16:35:31
1201
0
0
wuvin
## Info * Conference: CVPR 2021 * Cites: 0 * Github Stars: 399 * Github Solved/Issue: 2/2 * Author:  --- ## Main Idea * 同样是韩松组的工作，和 Once-for-all 一样，都是一次训练得到不同尺寸相同功能的网络。 * 这样的网络，文章说的一个优点是，在编辑表情的时候可以用低精度的网络，最后使用高精度完整生成。 *  *  * 训练的时候随机一个分辨率，对于宽度随机一个[0.25, 0.5, 0.75, 1] 比例的宽度（每一层的kernel是由前一层的kernel按照Channel模长排序后作为初始化值）。 *  * 同时添加一个Consistency loss，保证窄的kernel也能和宽的得到差不多的输出。 *  * 同样为了保证训练稳定，对于Discriminator 增加了一个one-hot的编码表示此次sample的分辨率，这个信息只加在D的最后两层。（反正`To stabilize training`这个理由文章中出现了不少次，看来小trick不少） * 同样韩松组的传统，最后再加个 NAS 搜一下网络结构提提点。 ## Results *  *  *  *  *  ## Comments * 一个成立的Problem，一个不太优美的方法，以及NAS大力出奇迹。
上一篇:
GAN 的常规衡量方法
下一篇:
20210326周报
0
赞
1201 人读过
新浪微博
微信
腾讯微博
QQ空间
人人网
提交评论
立即登录
, 发表评论.
没有帐号?
立即注册
0
条评论
More...
文档导航
wuvin
没有帐号? 立即注册