Fréchet 去噪距离：利用去噪自编码器增强生成设计的合理性评估
计算机视觉与模式识别
2024-11-05 v3
摘要
利用深度生成模型 (DGM) 进行生成式设计已引起极大兴趣。在评估生成设计的质量时，人类设计师更关注结构合理性（例如无缺失组件），而非视觉伪影（例如噪声或模糊）。与此同时，常用的指标如 Fréchet Inception Distance (FID) 可能无法准确评估，因为它们对视觉伪影敏感而对语义错误宽容。因此，FID 可能不适用于评估生成设计任务中 DGM 的性能。在本工作中，我们提出利用去噪自编码器 (DAE) 对待评估图像进行编码，并测量所得潜在空间中的分布距离。据此，我们设计了一种新指标 Fréchet Denoised Distance (FDD)。我们在多个数据集（如 BIKED、Seeing3DChairs、FFHQ 和 ImageNet）上对 FDD、FID 及其他最先进指标进行了实验测试。结果表明，我们的 FDD 能有效检测不合理的结构，且与人类专家的结构检查更具一致性。我们的源代码已在 https://github.com/jiajie96/FDD_pytorch 公开。
引用
@article{arxiv.2403.05352,
title = {Fr\'echet Denoised Distance: Enhancing Plausibility Evaluation for Generated Designs with Denoising Autoencoder},
author = {Jiajie Fan and Amal Trigui and Thomas Bäck and Hao Wang},
journal= {arXiv preprint arXiv:2403.05352},
year = {2024}
}