综述详述面向生成对抗网络的神经架构搜索

本文全面回顾了应用于生成对抗网络（GANs）的神经架构搜索（NAS）技术。文章对各种NAS方法进行了分类和比较，重点关注搜索策略、评估指标和性能结果。该综述强调了NAS在提高GAN性能、稳定性和效率方面的优势，同时也指出了当前的局限性和未来的研究方向。主要发现表明，进化算法和基于梯度的方​​法在某些场景下特别有效，并强调需要超越Inception Score（IS）和Fréchet Inception Distance（FID）的评估指标，以及使用多样化的数据集来全面评估GAN。 AI

影响 本综述为GAN的NAS技术提供了结构化的概述，指导研究人员开发更有效的方法并推动该领域的进步。

排序理由 该条目是发表在arXiv上的学术论文，对特定研究领域进行了回顾和分析。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• Connected Papers
• CORE Recommender
• DagsHub
• Fréchet inception distance
• generative adversarial network
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Inception score
• Influence Flower
• Litmaps
• Neural architecture search
• ScienceCast
• scite Smart Citations

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →