ICLRMar, 2018

使用训练所提供的分歧量来量化评估 GANs

PDF
TL;DR本文通过使用通常仅用于培训的散度和距离函数来对各种类型的 GAN 性能进行评估，观察了所提出的度量之间的一致性，发现测试时间指标并不支持使用相同训练时间标准的网络，我们还将所提出的度量与人类感知分数进行比较。
generative adversarial networksgansmodel assessmentdivergencedistance functions
发现论文，激发创造
  • 我的 GAN 有多强？

    本研究提出了两种基于图像分类的测量标准，GAN-train 和 GAN-test，以评估各种 GAN 方法的召回率和准确率。研究结果表明，数据集的难度与 GAN 质量呈负相关，并发现这两种度量标准可以更好地评估 GAN 的性能。

    Jul, 2018

  • GAN 评价指标的利弊

    本文综述了 24 个量化和 5 个定性评估措施，重点评估基于 GAN 的生成模型，并提供了 7 个期望，并评估了一个给定的措施或措施家族是否与它们兼容。

    Feb, 2018

  • 生成对抗网络评估指标的实证研究

    本文研究了生成对抗网络（GAN）的评估方法，发现基于核最大均值差（MMD）和最近邻（1-NN）等指标，可以较好地满足评估需要，同时具备区分真实样本与生成样本的性质，并探究了几种著名 GAN 模型的特性。

    Jun, 2018

  • 生成对抗学习的逼近与收敛特性

    本文研究了生成对抗网络在逼近目标分布时的两个基本问题：限制鉴别器家族对近似质量的影响和不同目标函数的收敛条件与分布收敛之间的关系。定义了对抗分歧的概念，证明了使用受限制的鉴别器家族具有矩匹配效应，并且对于严格对抗性分歧的目标函数，证明了目标函数上的收敛蕴含着弱收敛。

    May, 2017

  • GAN 评估指标的优缺点：新进展

    本文讨论了生成模型的进展和评估技术，以及 GAN 评估和深度伪造之间的联系，探讨了在机器学习社区中日益重要的公平和偏见问题，并指出改进 GAN 评估可以有助于减轻这些问题。

    Mar, 2021

  • 生成对抗网络学习分布的误差分析

    本文研究了生成对抗网络（GAN）如何从有限样本中学习概率分布，得到了 GAN 在一组 H"older 类定义的积分概率度量下的收敛速度和 Wasserstein 距离特殊情况下的学习率，并证明了当网络结构适当选择时，GAN 能够自适应地学习低维结构或具有 H"older 密度的数据分布。特别是对于集中在低维集合周围的分布，我们展示了 GAN 的学习速率不取决于高环境维度，而取决于较低的内在维度。我们的分析基于一种新的神谕不等式，将估计误差分解为生成器和鉴别器逼近误差和统计误差，这可能是具有独立研究价值的。

    May, 2021

  • 重新审视使用 GANs 进行图像合成的评估

    本文通过实证研究代表性生成模型 GAN，深入分析了如何在特征空间中代表数据点、如何使用选定样本计算合理距离以及每组要使用多少个实例等问题。实验结果表明，基于 CNN 和 ViT 的架构都是可靠和稳健的特征提取器，CKA 能够在一种模型中跨越各种提取器和分层层次上产生更好的比较，而且在表征两个内部数据相关性之间的相似性方面，CKA 显示出令人满意的样本效率并补充了现有指标（例如 FID）。这些发现帮助我们设计了一个新的测量系统，以便在一致可靠的方式下重新评估了最先进的生成模型。

    Apr, 2023

  • 利用差异学习 GAN 和集成模型

    本文提出了一种使用误差度量方法来训练生成式对抗网络，通过该方法可以获得更好的泛化性能，并使用该方法来训练 DGAN 和 EDGAN 等两个算法，实现了在玩具示例和多个基准数据集上的有竞争力的性能表现。

    Oct, 2019

  • 生成对抗网络（GANs）的收敛问题

    本文旨在为数学家提供适用的 GANs 理论解释，概述 GANs 的训练问题和拓扑学和博弈论视角如何贡献于我们理解和实践 GANs 的技术的正面和反面结果。

    Jun, 2018

  • 几何分数：一种比较生成对抗网络的方法

    本文提出了一种新的基于几何学性质的 GAN 模型性能度量方法，可以定量和定性地评估生成样本的质量和模式崩溃的程度。该算法适用于各种类型的数据集，并不仅限于视觉数据。我们在多种真实模型和数据集上测试了该方法，并展示了其提供的 GANs 特性新洞察。

    Feb, 2018