論文の概要: A Distributional Evaluation of Generative Image Models

• arxiv url: http://arxiv.org/abs/2501.00744v1
• Date: Wed, 01 Jan 2025 06:23:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:16:38.099364
• Title: A Distributional Evaluation of Generative Image Models
• Title（参考訳）: 生成画像モデルの分布評価
• Authors: Edric Tam, Barbara E Engelhardt,
• Abstract要約: 画像生成モデルの評価に焦点が当てられ、人間の評価を金の基準として扱う研究が盛んである。 本研究では,学習したサンプル分布と対象サンプル分布の分布一致を評価するための総合的指標である埋め込み特性スコア(ECS)を提案する。
• 参考スコア（独自算出の注目度）: 2.520143908749992
• License:
• Abstract: Generative models are ubiquitous in modern artificial intelligence (AI) applications. Recent advances have led to a variety of generative modeling approaches that are capable of synthesizing highly realistic samples. Despite these developments, evaluating the distributional match between the synthetic samples and the target distribution in a statistically principled way remains a core challenge. We focus on evaluating image generative models, where studies often treat human evaluation as the gold standard. Commonly adopted metrics, such as the Fr\'echet Inception Distance (FID), do not sufficiently capture the differences between the learned and target distributions, because the assumption of normality ignores differences in the tails. We propose the Embedded Characteristic Score (ECS), a comprehensive metric for evaluating the distributional match between the learned and target sample distributions, and explore its connection with moments and tail behavior. We derive natural properties of ECS and show its practical use via simulations and an empirical study.
• Abstract（参考訳）: 生成モデルは、現代の人工知能(AI)の応用においてユビキタスである。 近年の進歩は、非常に現実的なサンプルを合成できる様々な生成モデリングアプローチにつながっている。 これらの発展にもかかわらず、統計学的に原則化された方法で合成試料と対象分布の分布一致を評価することは、依然として重要な課題である。 画像生成モデルの評価に焦点が当てられ、人間の評価を金の基準として扱う研究が盛んである。 Fr\'echet Inception Distance (FID)のような一般的なメトリクスは、学習された分布と対象分布の違いを十分に捉えていない。 本研究では,学習したサンプル分布と対象サンプル分布の分布一致を評価するための総合的指標である埋め込み特性スコア(ECS)を提案し,そのモーメントと尾の挙動との関係について検討する。 我々はECSの自然特性を導出し、シミュレーションと実証的研究を通じてその実用性を示す。

関連論文リスト

• Analyzing Generative Models by Manifold Entropic Metrics [8.477943884416023]
  抽出可能な情報理論評価指標を新たに導入する。 EMNISTデータセット上の各種正規化フローアーキテクチャと$beta$-VAEを比較した。 私たちの実験で最も興味深い発見は、トレーニング中に整列および非整合表現に収束する誘導バイアスの観点から、モデルアーキテクチャとトレーニング手順のランク付けです。
  論文  参考訳（メタデータ） (2024-10-25T09:35:00Z)
• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• On the Out of Distribution Robustness of Foundation Models in Medical Image Segmentation [47.95611203419802]
  視覚と言語の基礎は、様々な自然画像とテキストデータに基づいて事前訓練されており、有望なアプローチとして現れている。 一般化性能を,同じ分布データセット上で微調整した後,事前学習した各種モデルの未確認領域と比較した。 さらに,凍結モデルに対する新しいベイズ不確実性推定法を開発し,分布外データに基づくモデルの性能評価指標として利用した。
  論文  参考訳（メタデータ） (2023-11-18T14:52:10Z)
• 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)
• MAUVE Scores for Generative Models: Theory and Practice [95.86006777961182]
  本報告では,テキストや画像の生成モデルで発生するような分布のペア間の比較尺度であるMAUVEについて述べる。 我々は、MAUVEが人間の文章の分布と現代のニューラル言語モデルとのギャップを定量化できることを発見した。 我々は、MAUVEが既存のメトリクスと同等以上の画像の既知の特性を識別できることを視覚領域で実証する。
  論文  参考訳（メタデータ） (2022-12-30T07:37:40Z)
• General Greedy De-bias Learning [163.65789778416172]
  本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2021-12-20T14:47:32Z)
• How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating and Auditing Generative Models [95.8037674226622]
  ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。 当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
  論文  参考訳（メタデータ） (2021-02-17T18:25:30Z)
• Natural vs Balanced Distribution in Deep Learning on Whole Slide Images for Cancer Detection [14.34071893713379]
  組織像に応用した深層学習(DL)モデルにおける学習セットの自然分布と平衡分布の影響を解析した。 DLトレーニングにおいて,WSIsデータを通常の分布に維持することは,人工的に得られた平衡分布よりも偽陰性(FN)の偽陽性(FP)が少ないことを示す。
  論文  参考訳（メタデータ） (2020-12-21T21:18:49Z)

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。