论文阅读：Co-Evolutionary Compression for Unpaired Image Translation
Abstract
作者提出了一种新的协同进化方法来同时减少内存使用和FLOP。在实践中，两个图像域的生成器被编码为两个群体且协同优化来迭代地研究最重要的卷积滤波器。用参数的数量、鉴别器感知正则化和循环一致性来计算每个个体的适应度。
Method
作者指出，传统网络压缩使用的损失函数不适用于图像风格迁移，用作者的话说：“比如，一个“斑马”，不管是有5条还是8条白色条纹，都可以看成是成功的风格迁移”，然而这在传统损失函数看来是非常大的误差，所以作者提出用判别器误差来作为压缩的误差标准：
这个误差很符合图像迁移的motivation，关注的是压缩前后风格的一致性，同时还有一个循环一致性误差，这个是Cycle Gan中提出的，也要加在误差里：
总体来说目标函数就是：
在训练的过程中，同时优化两个generator：
这篇文章的第二个贡献点是，作者提出对这两个生成器进行协同进化压缩，首先对网络进行二值编码，一个Generator被编码成一个二值编码串，每一位就是网络的每一个通道，值为0即吧这个通道去除。ps：所以作者用的是裁剪滤波器的方法
作者重新定义了N(·):
pl-1是上一层滤波器的数量，Nl，Cl，Hl，Wl分别是滤波器数量，通道数量，和滤波器的高度和宽度。
以上，得出了一个individual的适应值公式：
通过这个公式来找到种群中最高适应值的个体，然后将G1、G2中最优秀的个体进行交换，再进行训练，以此迭代，代码framework：
Conclusion
这篇文章读起来不困难，作者做的主要工作我认为有两点：
- 提出了对于图像迁移网络压缩的损失函数，基于风格损失，更加适合这个specific的task
- 提出了协同进化的训练算法，framework：