Данная работа посвящена исследованию ускорения обучения генеративно-состязательных сетей и разработке новой методики обучения GAN, позволяющей с сохранением качества генерируемых изображений существенно улучшить время обучения. Задачи, которые решались в ходе исследования: 1. Анализ существующих моделей генеративно-состязательных сетей и автокодеров, их архитектур и методик их обучения. 2. Выбор наиболее перспективных моделей сетей, то есть как можно более эффективных по времени обучения. 3. Разработка новой методики обучения GAN. 4. Тестирование разработанной методики обучения генеративно-состязательных сетей. Основная идея метода – использование в качестве «генератора» в генеративно-состязательной сети декодировщика из предобученного автокодера. Тем самым, время на обучение GAN будет складываться из времени, потраченного на предобучение автокодера, и времени, потраченного на обучение «слияния» GAN и декодера. Был проведен анализ существующих различных архитектур генеративно-состязательных сетей и автокодеров, из которых были выбраны архитектуры WGAN-GP для GAN и WAE для автокодера. Была разработана новая методика обучения генеративно-состязательных сетей. В ходе ее тестирования был проведен ряд экспериментов на датасете MNIST, по результатам которых модель, обученная по предложенной методике, не уступала по качеству исходному WGAN-GP, однако время обучения сократилось на 48%.

This paper is devoted to the study of acceleration of training generative adversarial networks and the development of the new method of training GAN, which can significantly improve the learning time while maintaining the quality of the generated samples. The research set the following goals: 1. Analysis of existing models of generative adversarial networks and autoencoders, their architectures and methods of their training. 2. The choice of the most promising network models, that is, the most time-efficient training possible. 3. Development of a new GAN training methodology. 4. Testing the developed training methodology for generative adversarial networks. The main idea of the method is the use of a decoder from pre-trained autoencoder model as a generator in a generative adversarial network. Thus, the time spent on training the GAN will consist of the time spent on pre-training the autoencoder and the time spent on training merged GAN model. Various architectures of generative adversarial networks and autoencoders were examined, from which WGAN-GP architecture for GAN and WAE architecture for autoencoder were selected. A new methodology for training generative adversarial networks has been developed. During its methodology, a series of experiments have been conducted on MNIST dataset, according to the results of which the proposed model was not inferior in quality to the original WGAN-GP model, however, the training time has been reduced by 48%.