складність 4/5
Fréchet Inception Distance
Підженіть гаусовий розподіл до ознак Inception справжніх і згенерованих зображень, а тоді виміряйте відстань між ними. Число, яке ви обчислюєте, — не те число, якого ви хочете.
Інтуїція
Генеративні моделі не мають правильної відповіді, з якою можна звіритися, тож метрика мусить порівнювати розподіли, а не прогнози. FID робить це найгрубішим способом, який працює: пропустити обидва набори зображень через класифікатор, узяти проміжний шар, підігнати гаусовий розподіл до кожного набору ознак і виміряти відстань між двома гаусовими розподілами.
Це стандартне число в генеративному комп’ютерному зорі: DDPM повідомляє про «найкращий на той час FID 3.17» на CIFAR-10 [3, Abstract], і кожна стаття відтоді наводить свій.
Складність не в тому, що FID — погана ідея. А в тому, що величина, яку ви обчислюєте зі скінченної вибірки, — не та величина, якою FID визначено, розрив не зникає за жодного розміру вибірки, який хтось використовує, і величина розриву залежить від того, яку модель ви вимірюєте. Chong і Forsyth прямо формулюють наслідок: «усі порівняння за FID чи IS у тому вигляді, як їх нині обчислюють, ненадійні» [1, Abstract].
Формальне визначення
Як це працює
Де застосовується
Чому і коли
Практичний приклад
Типові помилки
Перевірте себе
3 запитання
Запитання до цієї сторінки входять у доступ. Їх перевіряє сервер, тож відповіді лишаються там, доки ви не дасте свою.
Джерела
- Effectively Unbiased FID and Inception Score and where to find them (2020)paperhttps://ar5iv.labs.arxiv.org/html/1911.07023
- Demystifying MMD GANs (2018)paperhttps://ar5iv.labs.arxiv.org/html/1801.01401
- Denoising Diffusion Probabilistic Models (2020)paperhttps://ar5iv.labs.arxiv.org/html/2006.11239