CGE-GAN: Redes generativas adversarias evolutivas guiadas por contraste con intercambio dinámico de pesos adaptativo

Área de la Ciencia:

• Inteligencia Artificial
• Visión Artificial
• Aprendizaje Automático

Sus antecedentes:

• Las redes generativas adversarias (GAN) se destacan en la síntesis de imágenes, pero luchan con el colapso de modos, la inestabilidad de la capacitación y la búsqueda de arquitectura.
• Las GAN evolutivas existentes carecen de alineación semántica, reutilización efectiva de pesos y transferencia de conocimiento entre generaciones.

Objetivo del estudio:

• Introducir GAN evolutivas guiadas por contraste (CGE-GAN) para la generación de imágenes estable y de alta fidelidad.
• Abordar las limitaciones de las GAN actuales, incluida la alineación semántica y la eficiencia de la capacitación.

Principales métodos:

• Desarrolló una función de pérdida híbrida Wasserstein-Contrastiva para la alineación semántica y la competitividad adversaria.
• Incorporó el intercambio dinámico de pesos adaptativo (DAWS) para una capacitación eficiente.
• Utilizó el cruce basado en la destilación del conocimiento para la preservación de características entre generaciones.

Principales resultados:

• CGE-GAN logró una puntuación de Inception (IS) de 8,99 (CIFAR-10) y 10,46 (STL-10).
• Logró una distancia de Inception de Fréchet (FID) de 9,74 (CIFAR-10) y 21,86 (STL-10).
• Redujo la FID hasta en 1,74 puntos en comparación con las líneas de base con solo 0,36 días de GPU.

Conclusiones:

• La evolución impulsada por contraste es efectiva para la generación de imágenes estable y de alta fidelidad.
• CGE-GAN demuestra un rendimiento superior en diversidad semántica y eficiencia de convergencia.
• El método propuesto ofrece una dirección prometedora para avanzar en las GAN.