关于条件GAN的评估
计算机视觉与模式识别
2019-12-25 v3 机器学习
图像与视频处理
机器学习
摘要
条件生成对抗网络（cGANs）在许多应用领域中正得到日益广泛的使用。尽管取得了杰出进展，对此类模型的定量评估通常涉及多个不同的度量以评估不同的期望属性，如图像质量、条件一致性和条件内多样性。在此情形下，模型基准测试成为一项挑战，因为每个度量可能指示不同的“最佳”模型。在本文中，我们提出Frechet联合距离（FJD），其定义为图像与条件联合分布之间的Frechet距离，使其能在单一度量中隐式捕获上述属性。我们在一个可控合成数据集上进行概念验证实验，与当前既定度量相比一致地凸显了FJD的优势。此外，我们使用这一新引入的度量来比较现有的基于cGAN的模型在多种条件模态（如类标签、对象掩码、边界框、图像和文本描述）下的表现。我们展示FJD可用作cGAN基准测试与模型选择的有前景的单一度量。代码见 https://github.com/facebookresearch/fjd。
引用
@article{arxiv.1907.08175,
title = {On the Evaluation of Conditional GANs},
author = {Terrance DeVries and Adriana Romero and Luis Pineda and Graham W. Taylor and Michal Drozdzal},
journal= {arXiv preprint arXiv:1907.08175},
year = {2019}
}