模糊逻辑在生成模型评估中的应用
本研究提出了一种新颖的算法,主要针对生成模型中合成图像的真实性进行客观评估。该算法通过改进 Fréchet Inception Distance(FID)得分,显著提高了评估方法的精确性,特别针对生成和评估阿拉伯手写数字的真实图像的挑战。我们的算法为此领域的 OCR 的发展奠定了基础,并为高质量合成图像的生成和评估设立了新的标准,从而不仅可以比较不同的生成模型,还为它们的设计和输出提供改进的途径。
Feb, 2024
本研究旨在系统研究各种基于图像的生成模型,通过在人类感知上度量图像逼真度,发现现有指标与人类感知存在巨大差距;同时也发现现有指标无法适当检测到模型对数据的记忆现象;针对这些问题,我们提出了一种更可靠的特征提取器,并且释放了全部生成的图像数据集、人类评估数据以及计算 16 种公共指标的模块化库,以便更好地促进生成模型的发展和评估。
Jun, 2023
通过在线评估框架和上置信边界方法,本研究提出了 FID-UCB 和 IS-UCB 算法,用于在线评估生成模型的质量和多样性,证明了这些算法的子线性遗憾界,并在标准图像数据集上呈现了数值实验结果,证明其在识别得分最大化的生成模型方面的有效性。
Jun, 2024
通过提出新的分布的精度和召回率的概念,针对生成模型提出了一种新的评估方法,能够分离出分布的两个维度,从而区分生成样本的质量和目标分布的覆盖范围,是一种有效的评价生成模型的算法。
May, 2018
本文提出了一种基于概率树和模糊逻辑的全面可解释的诊断辅助方法 FPT (MedFP),并将其作为一个概念验证应用于甲状腺结节分型和慢性肾脏疾病进展风险预测中,在提供较少错诊的同时提供意外事件及诊断不确定性的判断。实验结果表明,使用模糊变量的概率模型可以提供更多细节,并且 FPT 和其预测在医疗实践中具有直观的辅助作用,并配备专门为此目的设计的用户界面。
Apr, 2023
基于 TOPSIS 和优化模型的方法用于环境中的多属性群体决策。通过最小化个体评价与所有专家的整体一致评价之间的差异的总和,建立新的优化模型以确定专家权重;基于 TOPSIS 方法,得出改进的评价指标用于评估每个备选方案;最后,通过建立优化模型来确定属性权重,将其纳入评价指标以对备选方案进行排名。综合以上步骤,提出了完整的模糊多属性群体决策算法,能充分发挥主观和客观权重方法的优势。通过实际案例研究验证了所提供方法的可行性和有效性。
Nov, 2023
提出了一种基于概念而非像素的生成模型评估和解释框架,通过知识驱动的反事实编辑帮助生成图像接近其地面实况条件,并且全局解释能够反映模型无法完全生成的概念和属性,该框架适用于故事可视化和场景合成等繁重任务。
Mar, 2023
本研究旨在寻找图像生成任务的指标评价方法,证明最近的精度和召回率指标并不可靠,并提出一种新的基于密度和覆盖率的评价指标,这些指标可以提供比现有指标更可靠的信息信号。
Feb, 2020
提出了一种新的度量距离叫做拓扑距离,它可以比较真实数据和生成数据的几何和拓扑特征,同时也能够衡量生成对抗网络(GANs)的学习效果。在多种数据集上,与常用的测量方法进行了比较,证明了该方法是一种强有力的候选指标。
Feb, 2020
概率生成模型评估标准的独立性存在着许多亟需关注的性质,本文重点评估了影像模型,阐明对于高维数据当前最常用的三个标准,即平均对数似然、Parzen 窗口估计和样本视觉保真度,这些几乎是相互独立的;因此,好的表现不一定意味着好的其他标准的表现,在评估生成模型的性能时需要针对其预期应用直接进行评估,并且通常应避免使用 Parzen 窗口方法。
Nov, 2015