用于评估生成模型的改进精确率与召回率度量
机器学习
2019-10-31 v3 机器学习
神经与进化计算
摘要
自动估计生成模型所产生样本的质量与覆盖能力，是推动算法研究的重要需求。我们提出一种评估度量，通过对真实数据与生成数据的流形构建显式的非参数表示，在图像生成任务中分别且可靠地度量这两个方面。我们通过在 StyleGAN 和 BigGAN 中提供若干说明性示例来证明该度量的有效性，其中已有度量给出了无信息或矛盾的结果。此外，我们分析了 StyleGAN 的多种设计变体，以更好地理解模型架构、训练方法与所得样本分布性质之间的关系。在此过程中，我们识别出改进当前最优水平的新变体。我们还首次对截断方法进行原理性分析，并识别出一种改进方法。最后，我们将该度量扩展至估计单个样本的感知质量，并借此研究潜空间插值。
引用
@article{arxiv.1904.06991,
title = {Improved Precision and Recall Metric for Assessing Generative Models},
author = {Tuomas Kynkäänniemi and Tero Karras and Samuli Laine and Jaakko Lehtinen and Timo Aila},
journal= {arXiv preprint arXiv:1904.06991},
year = {2019}
}
备注
NeurIPS 2019 final version