論文の概要: TREND: Truncated Generalized Normal Density Estimation of Inception
Embeddings for Accurate GAN Evaluation
- arxiv url: http://arxiv.org/abs/2104.14767v1
- Date: Fri, 30 Apr 2021 05:51:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 13:48:57.435946
- Title: TREND: Truncated Generalized Normal Density Estimation of Inception
Embeddings for Accurate GAN Evaluation
- Title（参考訳）: TREND:正確なGAN評価のためのインセプション埋め込みの一般正規密度推定法
- Authors: Junghyuk Lee and Jong-Seok Lee
- Abstract要約: Frech'et Inception distanceはGANの評価に最も広く使われている指標の1つです。
これは過度に単純化された仮定であり、信頼性の低い評価結果につながる可能性がある。
TREND(TRuncated gEneralized Normal Density Estimation of Inception Embeddings)という,GANの正確な評価のための新しい指標を提案する。
- 参考スコア（独自算出の注目度）: 27.80517509528215
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evaluating image generation models such as generative adversarial networks
(GANs) is a challenging problem. A common approach is to compare the
distributions of the set of ground truth images and the set of generated test
images. The Frech\'et Inception distance is one of the most widely used metrics
for evaluation of GANs, which assumes that the features from a trained
Inception model for a set of images follow a normal distribution. In this
paper, we argue that this is an over-simplified assumption, which may lead to
unreliable evaluation results, and more accurate density estimation can be
achieved using a truncated generalized normal distribution. Based on this, we
propose a novel metric for accurate evaluation of GANs, named TREND (TRuncated
gEneralized Normal Density estimation of inception embeddings). We demonstrate
that our approach significantly reduces errors of density estimation, which
consequently eliminates the risk of faulty evaluation results. Furthermore, we
show that the proposed metric significantly improves robustness of evaluation
results against variation of the number of image samples.
- Abstract（参考訳）: generative adversarial networks (gans) などの画像生成モデルの評価は難しい問題である。
一般的なアプローチは、基底真理画像の集合と生成されたテスト画像の集合の分布を比較することである。
frech\'etインセプション距離はganの評価に最も広く使われている指標の1つであり、一連の画像に対する訓練されたインセプションモデルの特徴が正規分布に従うと仮定している。
本稿では, 一般化正規分布を用いてより正確な密度推定が可能であり, 信頼性に乏しい評価結果をもたらすような, 単純化された仮定であると主張する。
そこで本研究では, TREND (TRuncated gEneralized Normal Density Estimation of inception embeddeds) という, GANの精度評価のための新しい指標を提案する。
提案手法は密度推定の誤差を著しく低減し,その結果,誤り評価結果のリスクを低減できることを実証する。
さらに,提案手法は画像サンプル数の変動に対する評価結果のロバスト性を大幅に向上させることを示した。
関連論文リスト
- GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。
世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。
本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
論文 参考訳（メタデータ） (2024-06-11T17:27:23Z) - Overcoming Saturation in Density Ratio Estimation by Iterated Regularization [11.244546184962996]
密度比推定のためのカーネル手法のクラスが誤差飽和に悩まされていることを示す。
高速な誤差率を達成するために, 密度比推定における繰り返し正規化を導入する。
論文 参考訳（メタデータ） (2024-02-21T16:02:14Z) - Projection Regret: Reducing Background Bias for Novelty Detection via
Diffusion Models [72.07462371883501]
本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。
PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。
拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
論文 参考訳（メタデータ） (2023-12-05T09:44:47Z) - Uncertainty Inspired Underwater Image Enhancement [45.05141499761876]
劣化した水中画像の強調分布を学習するための新しい確率的ネットワークを提案する。
拡張分布を学習することにより,参照マップラベリングで導入されたバイアスに対処できる。
実験結果から,本手法は可能な拡張予測のサンプリングを可能にすることが示された。
論文 参考訳（メタデータ） (2022-07-20T06:42:28Z) - Out-of-Distribution Detection with Class Ratio Estimation [4.930817402876787]
近年,OOD画像の検出作業において,密度に基づくアウト・オブ・ディストリビューション(OOD)検出は信頼性が低いことが示されている。
本稿では,エネルギーモデルを構築し,異なる基底分布を用いる新しい枠組みの下で,密度比に基づく手法を統合することを提案する。
論文 参考訳（メタデータ） (2022-06-08T15:20:49Z) - On Variance Estimation of Random Forests [0.0]
本稿では,不完全U-統計量に基づく不偏分散推定器を開発する。
我々は,計算コストを増大させることなく,より低いバイアスとより正確な信頼区間のカバレッジを評価できることを示した。
論文 参考訳（メタデータ） (2022-02-18T03:35:47Z) - Robust Estimation for Nonparametric Families via Generative Adversarial
Networks [92.64483100338724]
我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。
我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。
技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
論文 参考訳（メタデータ） (2022-02-02T20:11:33Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳（メタデータ） (2021-12-05T04:36:09Z) - Low-Light Image Enhancement with Normalizing Flow [92.52290821418778]
本稿では,この一対多の関係を正規化フローモデルを用いてモデル化する。
低照度画像/特徴を条件として取り、通常露光される画像の分布をガウス分布にマッピングすることを学ぶ可逆ネットワーク。
既存のベンチマークデータセットによる実験結果から,提案手法はより定量的,質的な結果を得ることができ,照度が良く,ノイズやアーティファクトが小さく,色も豊かになることがわかった。
論文 参考訳（メタデータ） (2021-09-13T12:45:08Z) - Unsupervised Lesion Detection via Image Restoration with a Normative
Prior [6.495883501989547]
本稿では,ネットワークをベースとした事前分布を規範分布とし,MAP推定を用いて画素単位で病変を検出する確率モデルを提案する。
脳MRIにおけるグリオーマと脳卒中病変の実験は、提案手法が最先端の教師なし手法よりかなり優れていることを示している。
論文 参考訳（メタデータ） (2020-04-30T18:03:18Z) - TraDE: Transformers for Density Estimation [101.20137732920718]
TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。
本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
論文 参考訳（メタデータ） (2020-04-06T07:32:51Z)
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。