随机网络蒸馏作为图像与文本生成的多样性度量
机器学习
2020-10-15 v1 计算与语言
计算机视觉与模式识别
摘要
生成模型生成高质量图像与文本的能力日益增强。学界已开发众多评估指标用于比较生成模型。然而，这些指标未能有效量化数据多样性。我们提出了一种可轻松应用于任意类型数据（包括合成与自然数据）的新多样性度量。我们的方法采用强化学习中引入的随机网络蒸馏（random network distillation）技术。我们在图像与文本上验证并部署了该度量，进一步探索了少样本图像生成中的多样性，该场景此前难以评估。
引用
@article{arxiv.2010.06715,
title = {Random Network Distillation as a Diversity Metric for Both Image and Text Generation},
author = {Liam Fowl and Micah Goldblum and Arjun Gupta and Amr Sharaf and Tom Goldstein},
journal= {arXiv preprint arXiv:2010.06715},
year = {2020}
}