TREND：用于GAN评价的Inception嵌入的截断广义正态密度估计
计算机视觉与模式识别
2022-07-21 v2 机器学习
摘要
评价生成对抗网络（GANs）等图像生成模型是一个具有挑战性的问题。一种常见的方法是比较真实图像集合与生成测试图像集合的分布。Frechét Inception距离是用于GAN评价最广泛使用的指标之一，它假设一组图像的已训练Inception模型的特征服从正态分布。在本文中，我们认为这是一个过度简化的假设，可能导致不可靠的评价结果，而使用截断广义正态分布可以实现更精确的密度估计。基于此，我们提出了一种用于准确评价GAN的新指标，命名为TREND（TRuncated gEneralized Normal Density estimation of inception embeddings，Inception嵌入的截断广义正态密度估计）。我们证明了我们的方法显著减少了密度估计的误差，从而消除了错误评价结果的风险。此外，我们表明所提出的指标在评价结果对图像样本数量变化的鲁棒性方面显著改善。
引用
@article{arxiv.2104.14767,
title = {TREND: Truncated Generalized Normal Density Estimation of Inception Embeddings for GAN Evaluation},
author = {Junghyuk Lee and Jong-Seok Lee},
journal= {arXiv preprint arXiv:2104.14767},
year = {2022}
}
备注
Accepted in ECCV 2022