GAN 样本质量的无监督评估：引入 TTJac 分数
计算机视觉与模式识别
2023-09-04 v1
摘要
评估指标对于衡量生成模型在图像合成中的性能至关重要。然而，现有指标通常涉及较高的内存与时间消耗，因为它们计算生成样本与真实数据点之间的距离。在我们的研究中，提出了一种称为“TTJac 分数”的新评估指标，以无数据的方式衡量单个合成图像的保真度。该研究首先建立了直接评估生成样本密度的理论方法。随后，引入了一种结合特征提取器与通过张量列离散函数逼近的方法，以有效评估生成样本的质量。此外，研究表明该新指标可用于在应用截断技巧时改善保真度—多样性权衡。给出了将所提指标应用于 StyleGAN 2 和 StyleGAN 2 ADA 模型在 FFHQ、AFHQ-Wild、LSUN-Cars 和 LSUN-Horse 数据集上的实验结果。本研究使用的代码将公开在线提供，供研究界访问和利用。
引用
@article{arxiv.2309.00107,
title = {Unsupervised evaluation of GAN sample quality: Introducing the TTJac Score},
author = {Egor Sevriugov and Ivan Oseledets},
journal= {arXiv preprint arXiv:2309.00107},
year = {2023}
}
备注
11 pages, 7 figures