論文の概要: A Novel Measure to Evaluate Generative Adversarial Networks Based on Direct Analysis of Generated Images

• arxiv url: http://arxiv.org/abs/2002.12345v4
• Date: Wed, 7 Apr 2021 05:18:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 08:22:07.748259
• Title: A Novel Measure to Evaluate Generative Adversarial Networks Based on Direct Analysis of Generated Images
• Title（参考訳）: 生成画像の直接解析に基づく生成型adversarial networkの評価法
• Authors: Shuyue Guan, Murray Loew
• Abstract要約: GAN(Generative Adversarial Network)は、ディープラーニング分野における最先端技術である。 本稿では、生成した画像を直接解析することで、GANを評価するための基本的な方法を検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Generative Adversarial Network (GAN) is a state-of-the-art technique in the field of deep learning. A number of recent papers address the theory and applications of GANs in various fields of image processing. Fewer studies, however, have directly evaluated GAN outputs. Those that have been conducted focused on using classification performance, e.g., Inception Score (IS) and statistical metrics, e.g., Fr\'echet Inception Distance (FID). Here, we consider a fundamental way to evaluate GANs by directly analyzing the images they generate, instead of using them as inputs to other classifiers. We characterize the performance of a GAN as an image generator according to three aspects: 1) Creativity: non-duplication of the real images. 2) Inheritance: generated images should have the same style, which retains key features of the real images. 3) Diversity: generated images are different from each other. A GAN should not generate a few different images repeatedly. Based on the three aspects of ideal GANs, we have designed the Likeness Score (LS) to evaluate GAN performance, and have applied it to evaluate several typical GANs. We compared our proposed measure with two commonly used GAN evaluation methods: IS and FID, and four additional measures. Furthermore, we discuss how these evaluations could help us deepen our understanding of GANs and improve their performance.
• Abstract（参考訳）: GAN(Generative Adversarial Network)は、ディープラーニング分野における最先端技術である。 画像処理の様々な分野におけるGANの理論と応用を論じる最近の論文が多数ある。 しかし、GAN出力を直接評価する研究は少ない。 分類性能(例えば、Inception Score(IS))や統計指標(例えば、Fr\echet Inception Distance(FID))の使用に焦点を当てている。 本稿では,GANを他の分類器の入力として使用するのではなく,生成した画像を直接解析して評価する基本的手法を検討する。 画像生成器としてのGANの性能は以下の3つの側面により特徴付けられる。 1)創造性:実際の画像の非複製。 2)継承性:生成された画像は、実際の画像の重要な特徴を保持する同じスタイルでなければならない。 3)多様性:生成した画像は互いに異なる。 ganは複数の異なる画像を繰り返し生成するべきではない。 理想的GANの3つの側面に基づいて、GANの性能を評価するための可視性スコア(LS)を設計し、これをいくつかの典型的なGANの評価に適用した。 提案手法を,IS と FID の2つの一般的な GAN 評価法と4つの追加尺度と比較した。 さらに、これらの評価が、GANの理解を深め、パフォーマンスを向上させる上でどのように役立つかについて論じる。

関連論文リスト

• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Generative Adversarial Networks for Image Super-Resolution: A Survey [101.39605080291783]
  単一画像超解像(SISR)は画像処理の分野で重要な役割を果たしている。 近年のGAN(Generative Adversarial Network)は,小サンプルを用いた低解像度画像に対して優れた結果が得られる。 本稿では,異なる視点からGANの比較研究を行う。
  論文  参考訳（メタデータ） (2022-04-28T16:35:04Z)
• Generalized Visual Quality Assessment of GAN-Generated Face Images [79.47386781978531]
  GAN生成顔画像(GFI)の汎用品質評価に向けた主観的・客観的品質の検討 我々は、利用可能なGANアルゴリズムと見えないGANアルゴリズムの両方から、GFIの正確な品質予測を可能にする品質評価モデルを開発する。
  論文  参考訳（メタデータ） (2022-01-28T07:54:49Z)
• A Method for Evaluating Deep Generative Models of Images via Assessing the Reproduction of High-order Spatial Context [9.00018232117916]
  GAN(Generative Adversarial Network)は、広く使われているDGMの一種である。 本稿では,2つのGANアーキテクチャによって出力される画像の客観的なテストについて述べる。 我々は、訓練されたGANによって生成した画像の特徴を再現できるいくつかのコンテキストモデル(SCM)を設計した。
  論文  参考訳（メタデータ） (2021-11-24T15:58:10Z)
• Compound Frechet Inception Distance for Quality Assessment of GAN Created Images [7.628527132779575]
  GANの注目すべき応用の1つは、ディープフェイク(deep fakes)として知られる偽の人間の顔を開発することである。 生成された画像の品質を測定することは本質的に主観的だが、標準化されたメトリクスを使って品質を客観化しようとする試みがなされている。 我々は,より広い視覚的欠陥をカバーするために,低レベルの特徴を統合することにより,評価プロセスの堅牢性を向上させることを提案する。
  論文  参考訳（メタデータ） (2021-06-16T06:53:27Z)
• IMAGINE: Image Synthesis by Image-Guided Model Inversion [79.4691654458141]
  IMGE-Guided Model INvErsion (IMAGINE) と呼ばれるインバージョンベースの手法を導入し、高品質で多様な画像を生成します。 我々は,事前学習した分類器から画像意味論の知識を活用し,妥当な世代を実現する。 IMAGINEは,1)合成中の意味的特異性制約を同時に実施し,2)ジェネレータトレーニングなしでリアルな画像を生成し,3)生成過程を直感的に制御する。
  論文  参考訳（メタデータ） (2021-04-13T02:00:24Z)
• Guiding GANs: How to control non-conditional pre-trained GANs for conditional image generation [69.10717733870575]
  本稿では,汎用非条件GANを条件GANとして振る舞うための新しい方法を提案する。 提案手法は,非条件GANのジェネレータネットワークに供給される高次元ランダム入力を生成するために,エンコーダネットワークを混合するものである。
  論文  参考訳（メタデータ） (2021-01-04T14:03:32Z)
• GIQA: Generated Image Quality Assessment [36.01759301994946]
  現在、GAN(Generative Adversarial Network)は印象的な成果を上げているが、すべての生成した画像が完璧ではない。 本稿では,生成画像の品質を定量的に評価する生成画像品質評価(GIQA)を提案する。
  論文  参考訳（メタデータ） (2020-03-19T17:56:08Z)
• A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications [154.4832792036163]
  GAN(Generative Adversarial Network)は近年ホットな研究トピックである。 GANは2014年から広く研究され、多くのアルゴリズムが提案されている。 本稿では,アルゴリズム,理論,応用の観点から,様々なGAN手法のレビューを行う。
  論文  参考訳（メタデータ） (2020-01-20T01:52:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。