生成对抗网络（GAN）使得能够实现逼真的图像合成和编辑。但是，由于大型生成器（例如StyleGAN2）的高计算成本，通常需要几秒钟才能在边缘设备上看到单个编辑的结果，从而禁止了交互式用户体验。在本文中，我们从现代渲染软件中汲取了灵感，并提出了Anycost GAN用于交互式自然图像编辑的建议。我们训练Anycost GAN以支持弹性分辨率和通道，以多种速度更快地生成图像。运行完整生成器的子集所产生的输出在感觉上与完整生成器相似，从而使它们成为预览的良好代理。通过使用基于采样的多分辨率训练，自适应信道训练和生成器条件的鉴别器，与单独训练的模型相比，可以在各种配置下评估anycost生成器，同时获得更好的图像质量。此外，我们开发了新的编码器训练和潜在代码优化技术，以鼓励图像投影期间不同子生成器之间的一致性。Anycost GAN可以以各种成本预算（最多可将计算量减少10倍）执行，并适应各种硬件和延迟要求。当部署在台式机CPU和边缘设备上时，我们的模型可以以6至12倍的速度提供与感觉相似的预览，从而实现交互式图像编辑。该代码和演示是公开可用的：https://github.com/mit-han-lab/anycost-gan。我们开发了新的编码器训练和潜在代码优化技术，以鼓励图像投影期间不同子生成器之间的一致性。Anycost GAN可以以各种成本预算（最多可将计算量减少10倍）执行，并适应各种硬件和延迟要求。当部署在台式机CPU和边缘设备上时，我们的模型可以以6至12倍的速度提供与感觉相似的预览，从而实现交互式图像编辑。该代码和演示是公开可用的：https://github.com/mit-han-lab/anycost-gan。我们开发了新的编码器训练和潜在代码优化技术，以鼓励图像投影期间不同子生成器之间的一致性。Anycost GAN可以以各种成本预算（最多可将计算量减少10倍）执行，并适应各种硬件和延迟要求。当部署在台式机CPU和边缘设备上时，我们的模型可以以6至12倍的速度提供与感觉相似的预览，从而实现交互式图像编辑。该代码和演示是公开可用的：https://github.com/mit-han-lab/anycost-gan。我们的模型可以以6至12倍的速度提供与感官上相似的预览，从而可以进行交互式图像编辑。该代码和演示是公开可用的：https://github.com/mit-han-lab/anycost-gan。我们的模型可以以6至12倍的速度提供与感官上相似的预览，从而可以进行交互式图像编辑。该代码和演示是公开可用的：https://github.com/mit-han-lab/anycost-gan。



"点击查看英文标题和摘要"