基于 GAN 与标准化流的生成式建模中的查准率-查全率分歧优化
机器学习
2023-11-02 v2
摘要
在生成模型领域，实现图像质量（查准率）与多样性（查全率）之间的平衡是一项重大挑战。当前最先进的模型主要依赖优化启发式指标，如 Fréchet Inception Distance。尽管近期进展已引入用于评估查准率和查全率的原则性方法，但它们尚未被成功整合到生成模型的训练中。我们的主要贡献是一种针对生成模型（如生成对抗网络（GAN）和标准化流（Normalizing Flows））的新型训练方法，该方法显式优化用户定义的查准率与查全率之间的权衡。更确切地说，我们表明实现指定的查准率-查全率权衡对应于最小化我们称之为 PR-散度（PR-divergences）族中的一个唯一 -散度。反之，任何 -散度都可写为 PR-散度的线性组合，并对应于加权的查准率-查全率权衡。通过综合评估，我们表明当在 ImageNet 等数据集上测试时，我们的方法在查准率或查全率方面提升了 BigGAN 等现有最先进模型的性能。
引用
@article{arxiv.2305.18910,
title = {Precision-Recall Divergence Optimization for Generative Modeling with GANs and Normalizing Flows},
author = {Alexandre Verine and Benjamin Negrevergne and Muni Sreenivas Pydi and Yann Chevaleyre},
journal= {arXiv preprint arXiv:2305.18910},
year = {2023}
}
备注
NeurIPS 2023