图：字节跳动技术团队发表的自研 GAN 压缩算法论文
GAN 是人工智能领域重要的深度学习模型，在图像生成、音乐生成和视频生成等方面应用广泛，还可以提高图像质量，实现图像风格化、图像着色等任务。漫画特效等人们常用的短视频道具，就是通过 GAN 实现的。
由于 GAN 对计算资源和存储空间的需求巨大，模型难以直接部署到 手机 、Pad 等移动设备上，业界一直在努力改进 GAN 的压缩方法 。2020 年，麻省理工学院 、Adobe 和上海交通大学的研究者们提出一种 GAN 压缩算法，将算力消耗成功减少到 1/21。 此次字节跳动提出的 OMGD 方法则进一步提升了压缩能力。
OMGD（Online Multi-Granularity Distillation） 意为“在线多粒度蒸馏”。据字节跳动技术团队的论文显示，该算法能灵活地在训练过程中优化并压缩 GAN 模型，从而实现更好的图像效果和更少的计算成本。
测试数据表明 ，OMGD 压缩算法对 Pix2Pix 和 CycleGAN 这两种常用的 GAN 解决方案效果显著 。Pix2Pix 和 CycleGAN 主要应用于图像到图像的“翻译”，比如将照片转换为绘画，对黑白图片着色等 。OMGD 压缩算法可使其算力消耗分别减少到原来的 1/40 和 1/46。
目前 ，OMGD 压缩算法已在抖音等产品中落地，为用户提供更丰富的视频创作能力。相关技术代码也已发布在开源社区，以帮助从业者提升 GAN 的创新和应用效率。迄今，字节跳动已开源了机器学习平台 Klever、 联邦学习平台 Fedlearner、 高性能分布式训练框架 BytePS 、LightSeq 推理和训练引擎等重磅项目。
节能环保是字节跳动一个重要的技术研究方向。在不久前的自然语言处理领域国际顶会 ACL 2021 上，字节跳动的词表学习方案获得年度唯一的“最佳论文”大奖，该论文同样极具节能价值，相比主流词表可以节约 92% 的算力。