审视生成对抗网络中的 FID 与 SID 指标
计算机视觉与模式识别
2024-02-07 v1 图像与视频处理
摘要
生成对抗网络 (GAN) 模型的发展增强了图像处理能力，为诸多行业提供了产生逼真图像转换的技术。然而，由于该领域相对新近确立，存在新的评估指标可进一步推动此研究。以往的研究表明，Fréchet Inception Distance (FID) 在测试这些图像到图像 GAN 在现实世界中的应用时是有效的指标。Signed Inception Distance (SID)，于 2023 年提出，扩展了 FID，通过允许无符号距离来增强其功能。本文使用由 façades、cityscapes 和 maps 组成的公开数据集，对 Pix2Pix 和 CycleGAN 模型进行训练。随后对这些模型进行评估，这些评估指标衡量了训练模型的生成性能。我们的发现表明，SID 指标的使用包含一种高效且有效的指标，可补充甚至超过 FID 在图像到图像 GAN 中的表现。
引用
@article{arxiv.2402.03654,
title = {Reviewing FID and SID Metrics on Generative Adversarial Networks},
author = {Ricardo de Deijn and Aishwarya Batra and Brandon Koch and Naseef Mansoor and Hema Makkena},
journal= {arXiv preprint arXiv:2402.03654},
year = {2024}
}
备注
14 pages 9 figures 1 table Included in IOTBS, NLTM, AIMLA, DBDM - 2024 Conference Proceedings Editor: David C. Wyld et al