May, 2019

使用交叉本地内在维度评估GAN的质量

HTML
PDF
TL;DR本文提出了一种基于GAN模型学习的数据空间的内在维度特征来评估GAN生成数据能力的方法，同时提出了一种新的评估度量CrossLID，并通过在4个基准图像数据集上的实验表明，与其他现有的评价指标相比，CrossLID更加敏锐，并且可以用于改善GAN的生成质量。
发现论文，激发创造
  • Gang of GANs：带有最大间隔排名的生成对抗网络

    本研究提出了Gang of GANs (GoGAN)方法，将WGAN的鉴别器损失推广到基于边界的方法，实现更好的生成器和较少的梯度消失、不稳定性和模式崩溃问题，并采用一种新的GAN质量测量方式，并在四个视觉数据集上进行了评估，相较于WGAN有了视觉和定量的改进。

    Apr, 2017

  • 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

  • 使用训练所提供的分歧量来量化评估GANs

    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。

    Mar, 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

  • 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

  • 评估生成模型的精准度和召回率指标的改进

    本研究提出了一种评估度量标准，以明确，非参数化表示真实和生成数据流形， 可以分别和可靠地测量图像生成任务中样本的质量和覆盖范围， 并且展示了该度量标准在StyleGAN和BigGAN方面的有效性。同时，我们分析了StyleGAN的多个设计变体以更好地了解模型架构，训练方法与样本分布属性之间的关系，并识别出新的改进方法。最后，我们将度量标准扩展到个体样本的感知质量估计，并使用它来研究潜空间插值。

    Apr, 2019

  • 关于有条件的GAN评估

    本研究提出Frechet Joint Distance (FJD)作为一种度量条件生成对抗网络(CGANs)模型质量的单一指标。通过在一个可控的合成数据集上进行实验，证明了FJD在评估CGANs模型时的优越性，并用于评估了基于CGANs模型的多种调节模式，如类标签、对象掩模、边界框、图像和文本说明。

    Jul, 2019

  • 质量感知生成对抗网络

    本文介绍了基于GAN的问题并提出了相应解决方案，使用了基于图片质量的评价算法SSIM和NIQE作为GAN正则化的指标，并提出了新的模型 WGAN-GP，在CIFAR-10，STL10和CelebA数据集上取得了最优性能。

    Nov, 2019

  • 跨 GAN 审计：预训练生成模型属性层面的无监督相似性和差异性识别

    该论文提出一种名为Cross-GAN Auditing (xGA)的新型GAN审核工具，基于属性进行GAN模型比较和审核，并使用新的指标对该工具进行评估。实验结果表明，xGA优于基准方法，能够对在各种图像数据集上训练的GAN模型进行直观的类比和差异评估。

    Mar, 2023

  • 关于生成对抗模型在低内在数据维度下的统计特性

    尽管生成对抗网络（GANs）在实证方面取得了显著的成功，但其统计准确性的理论保证仍然相对悲观。本论文试图在理论和GANs以及双向GANs（BiGANs）的实践之间架起桥梁，通过推导出关于估计密度的统计保证，以数据的固有维度和潜在空间为基础。

    Jan, 2024