ICLRMar, 2020

评估生成对抗网络的神经 - AI 接口

PDF
TL;DR本研究提出了一种 Neuroscore 测评策略，该策略通过利用脑信号更直接地反映心理感知图像质量，优于现有算法并能够基于单个 GAN 排名图像质量，同时，本研究还介绍了基于卷积神经网络的神经 - 人工智能接口，可以直接从 GAN 生成的图像中预测 Neuroscore。
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

  • 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

  • 准确评估 GAN 在语言生成中的性能

    本文讨论了用于语言生成的生成对抗网络 (GANs) 模型的评估指标问题，认为现有的评估指标无法全面准确地反映模型更真实的表现，提出了一些更适合从质量和多样性方面评估 GAN 模型的新指标，并通过实验证明了相比传统语言模型 (LM)，目前的 GAN 模型在语言生成方面的表现并没有明显优势。

    Jun, 2018

  • 基于可视化的生成对抗网络在时间序列数据上的评估

    本文提出了一种基于可视分析技术的 “人机合作” 方法，使得机器学习专业人员和领域专家能够使用生成式对抗网络生成的时间序列数据进行质量评估，并且给出了一个基于两个不同 GAN 模型的有效比较结果。

    Dec, 2019

  • 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

  • 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

  • 图生成模型的评价指标

    通过引入基于未训练随机 GNN 提取的特征的几个度量标准，完全测试了这些度量标准衡量生成的图的多样性和保真度的能力、其样本和计算效率，并推荐了两种新的度量标准，以用于对 GGM 的评估。

    Jan, 2022

  • MetricGAN: 基于生成对抗网络的黑盒度量分数优化应用于语音增强

    本文提出了一种基于 MetricGAN 的条件生成对抗网络，针对一种语音增强任务作了实验，该方法可优化生成器以提高被用户指定的一项或多项评估度量标准的得分。

    May, 2019

  • 语言生成的对抗排名

    本文提出了一种新颖的生成对抗网络 RankGAN，用于生成高质量的自然语言描述，其通过给定一个参考组来分析和排名一组人工编写和机器编写的句子，通过相对排名分数来评估数据集的质量以帮助学习更好的生成器，并使用策略梯度技术来优化 RankGAN。多个公共数据集的实验结果清楚地证明了所提出方案的有效性。

    May, 2017

  • AutoGAN: 生成对抗网络的神经结构搜索

    本文介绍了一项有关 AutoGAN 的初步研究，这是将神经架构搜索算法引入生成对抗网络中的首个尝试。通过使用 RNN 控制器来引导搜索生成器构架的变化，实验结果验证了 AutoGAN 在无条件图像生成任务中的有效性，并与当前最先进的手工制作的 GANs 相比，取得了高竞争性的表现。

    Aug, 2019