一种基于生成图像直接分析评估生成对抗网络的新度量
计算机视觉与模式识别
2022-03-01 v4 机器学习
图像与视频处理
摘要
生成对抗网络（GAN）是深度学习领域的一项前沿技术。近期许多论文探讨了 GAN 在图像处理各领域中的理论与应用。然而，直接评估 GAN 输出的研究较少。已有的研究侧重于使用分类性能（如 Inception Score (IS)）和统计度量（如 Fréchet Inception Distance (FID)）。本文中，我们考虑一种通过直接分析 GAN 生成的图像来评估 GAN 的基本方法，而非将其作为其他分类器的输入。我们根据三个方面刻画 GAN 作为图像生成器的性能：1) 创造性：不复制真实图像。2) 继承性：生成图像应具有相同风格，保留真实图像的关键特征。3) 多样性：生成图像彼此不同。GAN 不应反复生成少数不同的图像。基于理想 GAN 的这三个方面，我们设计了相似度分数（Likeness Score, LS）来评估 GAN 性能，并将其应用于评估几种典型 GAN。我们将所提度量与两种常用 GAN 评估方法（IS 和 FID）以及另外四种度量进行了比较。此外，我们讨论了这些评估如何帮助我们加深对 GAN 的理解并提升其性能。
引用
@article{arxiv.2002.12345,
title = {A Novel Measure to Evaluate Generative Adversarial Networks Based on Direct Analysis of Generated Images},
author = {Shuyue Guan and Murray Loew},
journal= {arXiv preprint arXiv:2002.12345},
year = {2022}
}
备注
16 pages, 11 figures. Accepted by the Neural Computing and Applications journal