我的 GAN 有多好？
计算机视觉与模式识别
2018-07-26 v1 机器学习
摘要
生成对抗网络（GANs）是当今最流行的图像生成方法之一。虽然令人印象深刻的结果已通过视觉检查得到验证，但一系列量化标准直到最近才出现。我们在此认为，现有标准尚不充分，且需要与具体任务相匹配。本文引入两种基于图像分类的度量——GAN-train 和 GAN-test，分别近似刻画 GANs 的召回率（多样性）和精确率（图像质量）。我们基于这两种度量评估了若干近期 GAN 方法，并展示了性能的明显差异。此外，我们观察到数据集难度从 CIFAR10 到 CIFAR100 再到 ImageNet 递增，与 GANs 的质量呈负相关，这一点从我们的度量中清晰可见。
引用
@article{arxiv.1807.09499,
title = {How good is my GAN?},
author = {Konstantin Shmelkov and Cordelia Schmid and Karteek Alahari},
journal= {arXiv preprint arXiv:1807.09499},
year = {2018}
}
备注
Accepted to ECCV2018