一种无监督理解生成神经网络中伪影产生内部单元的方法
计算机视觉与模式识别
2021-12-17 v1 人工智能
摘要
尽管生成对抗网络（GANs）的图像生成性能有了显著改进，但仍观察到视觉保真度低的生成结果。由于广泛使用的 GAN 度量更侧重于模型的整体性能，对单个生成结果的质量评估或缺陷生成检测颇具挑战。近期研究试图检测导致伪影的特征图单元并评估单个样本，这些方法需要外部网络或大量训练数据来近似真实数据流形等额外资源。在本工作中，我们提出局部激活的概念，并设计了一种基于局部激活的度量，以在无额外监督的情况下检测伪影生成。我们通过实验验证，我们的方法能够检测并修正来自具有不同数据集的 GAN 的伪影生成。最后，我们讨论了几何分析，以部分揭示所提概念与低视觉保真度之间的关系。
引用
@article{arxiv.2112.08814,
title = {An Unsupervised Way to Understand Artifact Generating Internal Units in Generative Neural Networks},
author = {Haedong Jeong and Jiyeon Han and Jaesik Choi},
journal= {arXiv preprint arXiv:2112.08814},
year = {2021}
}
备注
AAAI22 accepted paper