3月23日消息，近日，来自麻省理工学院、Adobe、上海交通大学的研究者提出了一种用于压缩条件GAN的通用方法。这一新技术在保持视觉保真度的同时，将pix2pix，CycleGAN和GauGAN等广泛使用的条件GAN模型的计算量减少到1/9~1/21。该方法适用于多种生成器架构、学习目标，配对或非配对设置。目前该研究的论文已被CVPR 2020大会收录，有关GAN压缩框架的PyTorch版也已开源。