摘要

网络架构搜索（Network Architecture Search, NAS）在图像分类、语义分割等多种任务中均取得了当前最优的性能。近期，已有基于强化学习的生成对抗网络（GAN）架构搜索方法被提出。在本工作中，我们提出了一种替代性策略，采用名为DEGAS（可微分高效生成器搜索，Differentiable Efficient GenerAtor Search）的方法进行GAN架构搜索，重点在于高效地搜索生成器结构。我们的搜索算法受到可微分架构搜索策略与全局隐空间优化（Global Latent Optimization, GLO）过程的启发，从而实现了高效且稳定的GAN架构搜索。一旦找到最优生成器架构，即可无缝集成至任意现有GAN训练框架中。在本研究中所采用的CTGAN模型上，新模型在CIFAR-10数据集上的原始Inception Score提升了0.25，在STL数据集上提升了0.77，且在更短的搜索时间内，性能优于基于强化学习的GAN搜索方法。