Page d'accueil>Lié à la programmation>Python
Télécharger

Fid propre pour évaluer les modèles génératifs


Projet | Papier | Diapositives | Colab-fid | Colab-Réizaine | Tables de classement
Démarrage rapide: Calculez FID | Calculer

[Nouveau] Le calcul du FID à l'aide de fonctionnalités de clip [Kynkäänniemi et al, 2022] est maintenant pris en charge. Voir ici pour plus de détails.

Le calcul du FID implique de nombreuses étapes qui peuvent produire des incohérences dans la métrique finale. Comme indiqué ci-dessous, différentes implémentations utilisent différentes fonctions de quantification d'image et de redimensionnement de bas niveau, ces derniers sont souvent implémentés de manière incorrecte.

Nous fournissons une bibliothèque facile à utiliser pour résoudre les problèmes ci-dessus et rendre les scores FID comparables sur différentes méthodes, articles et groupes.

Manuscrit correspondant

Sur le redimensionnement aliasé et les subtilités surprenantes dans l'évaluation GAN
Gaurav Parmar, Richard Zhang, Jun-Yan Zhu
CVPR, 2022
CMU et Adobe

Si vous trouvez ce référentiel utile pour vos recherches, veuillez citer les travaux suivants. 

 @inproceedings{parmar2021cleanfid,
  title={On Aliased Resizing and Surprising Subtleties in GAN Evaluation},
  author={Parmar, Gaurav and Zhang, Richard and Zhu, Jun-Yan},
  booktitle={CVPR},
  year={2022}
}

Opérations de redimensionnement aliasées

Les définitions des fonctions de redimensionnement sont mathématiques et ne devraient jamais être une fonction de la bibliothèque utilisée . Malheureusement, les implémentations diffèrent d'une bibliothèque couramment utilisée. Ils sont souvent mis en œuvre incorrectement par des bibliothèques populaires. Essayez les différentes implémentations de redimensionnement dans le cahier Google Colab ici.


Les incohérences entre les implémentations peuvent avoir un effet drastique des mesures d'évaluations. Le tableau ci-dessous montre que les images d'ensemble de données FFHQ redimensionnées avec l'implémentation bicubique d'autres bibliothèques (OpenCV, Pytorch, Tensorflow, OpenCV) ont un grand score FID (≥ 6) par rapport aux mêmes images redimensionnées avec le filtre Pil-Bicubic correctement implémenté. D'autres filtres correctement mis en œuvre de PIL (Lanczos, Bilinear, Box) entraînent tous un score FID relativement plus petit (≤ 0,75). Notez que depuis TF 2.0, le nouveau drapeau antialias (par défaut: False ) peut produire des résultats proches de PIL. Cependant, il n'a pas été utilisé dans le repo TF-FID existant et défini comme False par défaut.

Compression d'image JPEG

La compression d'image peut avoir un effet étonnamment important sur le FID. Les images sont perceptuellement indiscernables les unes des autres mais ont un grand score FID. Les scores FID sous les images sont calculés entre toutes les images FFHQ enregistrées à l'aide du format JPEG correspondant et du format PNG.

Ci-dessous, nous étudions l'effet de la compression JPEG pour les modèles Stylegan2 formés sur l'ensemble de données FFHQ (à gauche) et le jeu de données de l'église extérieur LSUN (à droite). Notez que les images de l'ensemble de données LSUN ont été collectées avec la compression JPEG (qualité 75), tandis que les images FFHQ ont été collectées en PNG. Fait intéressant, pour l'ensemble de données LSUN, le meilleur score FID (3,48) est obtenu lorsque les images générées sont compressées avec JPEG Quality 87.

Démarrage rapide

  • Installez la bibliothèque 
     pip install clean-fid

Informatique FID

  • Calculez le FID entre deux dossiers d'image 
     from cleanfid import fid
score = fid.compute_fid(fdir1, fdir2)
  • Calculez le FID entre un dossier d'images et les statistiques des ensembles de données pré-calculés (par exemple, FFHQ ) 
     from cleanfid import fid
score = fid.compute_fid(fdir1, dataset_name="FFHQ", dataset_res=1024, dataset_split="trainval70k")
  • Calculez FID à l'aide d'un modèle génératif et de statistiques de jeu de données pré-calculées: 
     from cleanfid import fid
# function that accepts a latent and returns an image in range[0,255]
gen = lambda z: GAN(latent=z, ... , <other_flags>)
score = fid.compute_fid(gen=gen, dataset_name="FFHQ",
        dataset_res=256, num_gen=50_000, dataset_split="trainval70k")

Calcul informatique-fid

Pour utiliser les fonctionnalités du clip lors du calcul du FID [Kynkäänniemi et al, 2022], spécifiez le Flag model_name="clip_vit_b_32"

  • Par exemple, pour calculer le fid-fid entre deux dossiers d'images, utilisez les commandes suivantes. 
     from cleanfid import fid
score = fid.compute_fid(fdir1, fdir2, mode="clean", model_name="clip_vit_b_32")

En informatique

Le score KID peut être calculé en utilisant une interface similaire à celle de FID. Les statistiques de l'ensemble de données pour l'enfant ne sont précomputées que pour les ensembles de données plus petits AFHQ , BreCaHAD et MetFaces .

  • Calculer un enfant entre deux dossiers d'image 
     from cleanfid import fid
score = fid.compute_kid(fdir1, fdir2)
  • Calculez un enfant entre un dossier d'images et les statistiques des ensembles de données pré-calculés 
     from cleanfid import fid
score = fid.compute_kid(fdir1, dataset_name="brecahad", dataset_res=512, dataset_split="train")
  • Calculez Kid à l'aide d'un modèle génératif et de statistiques de jeu de données pré-calculées: 
     from cleanfid import fid
# function that accepts a latent and returns an image in range[0,255]
gen = lambda z: GAN(latent=z, ... , <other_flags>)
score = fid.compute_kid(gen=gen, dataset_name="brecahad", dataset_res=512, num_gen=50_000, dataset_split="train")

Ensembles de données pré-composés pris en charge

Nous fournissons des statistiques de précompute pour les configurations couramment utilisées. Veuillez nous contacter si vous souhaitez ajouter des statistiques pour vos nouveaux ensembles de données.

Tâche Ensemble de données Résolution Références de référence # Images de référence mode
Génération d'images cifar10 32 train 50 000 clean , legacy_tensorflow , legacy_pytorch
Génération d'images cifar10 32 test 10 000 clean , legacy_tensorflow , legacy_pytorch
Génération d'images ffhq 1024, 256 trainval 50 000 clean , legacy_tensorflow , legacy_pytorch
Génération d'images ffhq 1024, 256 trainval70k 70 000 clean , legacy_tensorflow , legacy_pytorch
Génération d'images lsun_church 256 train 50 000 clean , legacy_tensorflow , legacy_pytorch
Génération d'images lsun_church 256 trainfull 126 227 clean
Génération d'images lsun_horse 256 train 50 000 clean , legacy_tensorflow , legacy_pytorch
Génération d'images lsun_horse 256 trainfull 2 000 340 clean
Génération d'images lsun_cat 256 train 50 000 clean , legacy_tensorflow , legacy_pytorch
Génération d'images lsun_cat 256 trainfull 1 657 264 clean , legacy_tensorflow , legacy_pytorch
Peu de génération de tirs afhq_cat 512 train 5153 clean , legacy_tensorflow , legacy_pytorch
Peu de génération de tirs afhq_dog 512 train 4739 clean , legacy_tensorflow , legacy_pytorch
Peu de génération de tirs afhq_wild 512 train 4738 clean , legacy_tensorflow , legacy_pytorch
Peu de génération de tirs brecahad 512 train 1944 clean , legacy_tensorflow , legacy_pytorch
Peu de génération de tirs metfaces 1024 train 1336 clean , legacy_tensorflow , legacy_pytorch
Image à l'image horse2zebra 256 test 140 clean , legacy_tensorflow , legacy_pytorch
Image à l'image cat2dog 256 test 500 clean , legacy_tensorflow , legacy_pytorch

En utilisant des statistiques précomputées afin de calculer le score FID avec les statistiques de l'ensemble de données précomputées, utilisez les options correspondantes. Par exemple, pour calculer le score de fidélité propre sur les images générées de 256x256 FFHQ Utilisez la commande: 

 fid_score = fid.compute_fid(fdir1, dataset_name="ffhq", dataset_res=256,  mode="clean", dataset_split="trainval70k")

Créer des statistiques de jeu de données personnalisées

  • DataSet_Path : dossier où les images de l'ensemble de données sont stockées

  • Custom_name : nom à utiliser pour les statistiques

  • Génération de statistiques personnalisées (enregistrées sur le cache local) 

     from cleanfid import fid
fid.make_custom_stats(custom_name, dataset_path, mode="clean")

  • En utilisant les statistiques personnalisées générées 

     from cleanfid import fid
score = fid.compute_fid("folder_fake", dataset_name=custom_name,
          mode="clean", dataset_split="custom")

  • Supprimer les statistiques personnalisées 

     from cleanfid import fid
fid.remove_custom_stats(custom_name, mode="clean")

  • Vérifiez si une statistique personnalisée existe déjà 

     from cleanfid import fid
fid.test_stats_exists(custom_name, mode)

Compatibilité en arrière

Nous fournissons deux drapeaux pour reproduire le score du FID hérité.

  • mode="legacy_pytorch"
    Ce drapeau équivaut à l'utilisation de l'implémentation populaire de Pytorch FID fournie ici
    La différence entre l'utilisation de la fidélité propre avec cette option et le code est ~ 2E-06
    Voir Doc pour savoir comment les méthodes sont comparées

  • mode="legacy_tensorflow"
    Ce drapeau équivaut à l'utilisation de l'implémentation officielle de FID publié par les auteurs.
    La différence entre l'utilisation de la fidélisation avec cette option et le code est ~ 2E-05
    Voir Doc pour des étapes détaillées pour la façon dont les méthodes sont comparées

Bâtiment propre-fid localement à partir de la source 

 python setup.py bdist_wheel
pip install dist/*

CleanFid Cleader pour les tâches communes

Nous calculons les scores FID en utilisant les méthodes correspondantes utilisées dans les articles d'origine et en utilisant la fidélité propre proposée ici. Toutes les valeurs sont calculées à l'aide de 10 exécutions d'évaluation. Nous fournissons une API pour interroger les résultats indiqués dans les tableaux ci-dessous directement à partir du package PIP.

Si vous souhaitez ajouter de nouveaux nombres et modèles à notre classement, n'hésitez pas à nous contacter.

Cifar-10 (quelques coups)

L'ensemble test est utilisé comme distribution de référence et comparé aux images générées 10k.

100% de données (inconditionnelle)

Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer
Stylegan2 (+ Ada + Tuning) [Karras et al, 2020] - † - † 8,20 ± 0,10
Stylegan2 (+ Ada) [Karras et al, 2020] - † - † 9,26 ± 0,06
StyleGan2 (diff-aUgment) [Zhao et al, 2020] [CKPT] 9.89 9,90 ± 0,09 10,85 ± 0,10
Stylegan2 (miroir-flips) [Karras et al, 2020] [CKPT] 11.07 11,07 ± 0,10 12,96 ± 0,07
Stylegan2 (sans flips) [Karras et al, 2020] - † - † 14,53 ± 0,13
Autogan (config A) [Gong et al, 2019] - † - † 21,18 ± 0,12
Autogan (config B) [Gong et al, 2019] - † - † 22,46 ± 0,15
Autogan (config C) [Gong et al, 2019] - † - † 23,62 ± 0,30

† Ces méthodes utilisent l'ensemble de formation comme distribution de référence et comparez-vous aux images générées 50k

20% de données

Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer
Stylegan2-Diff-Augment [Zhao et al, 2020] [CKPT] 12.15 12,12 ± 0,15 14,18 ± 0,13
Stylegan2-mirror-flips [Karras et al, 2020] [CKPT] 23.08 23,01 ± 0,19 29,49 ± 0,17

10% de données

Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer
Stylegan2-Diff-Augment [Zhao et al, 2020] [CKPT] 14.50 14,53 ± 0,12 16,98 ± 0,18
Stylegan2-mirror-flips [Karras et al, 2020] [CKPT] 36.02 35,94 ± 0,17 43,60 ± 0,17

CIFAR-100 (quelques coups)

L'ensemble test est utilisé comme distribution de référence et comparé aux images générées 10k.

100% de données

Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer
Stylegan2-mirror-flips [Karras et al, 2020] [CKPT] 16.54 16,44 ± 0,19 18,44 ± 0,24
Stylegan2-Diff-Augment [Zhao et al, 2020] [CKPT] 15.22 15,15 ± 0,13 16,80 ± 0,13

20% de données

Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer
Stylegan2-mirror-flips [Karras et al, 2020] [CKPT] 32.30 32,26 ± 0,19 34,88 ± 0,14
Stylegan2-Diff-Augment [Zhao et al, 2020] [CKPT] 16.65 16,74 ± 0,10 18,49 ± 0,08

10% de données

Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer
Stylegan2-mirror-flips [Karras et al, 2020] [CKPT] 45.87 45,97 ± 0,20 46,77 ± 0,19
Stylegan2-Diff-Augment [Zhao et al, 2020] [CKPT] 20.75 20,69 ± 0,12 23,40 ± 0,09

Ffhq

toutes les images @ 1024x1024
Les valeurs sont calculées à l'aide d'images générées 50k

Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer Références de référence
Stylegan1 (config A) [Karras et al, 2020] 4.4 4,39 ± 0,03 4,77 ± 0,03 trainval
Stylegan2 (config B) [Karras et al, 2020] 4.39 4,43 ± 0,03 4,89 ± 0,03 trainval
Stylegan2 (config C) [Karras et al, 2020] 4.38 4,40 ± 0,02 4,79 ± 0,02 trainval
Stylegan2 (config D) [Karras et al, 2020] 4.34 4,34 ± 0,02 4,78 ± 0,03 trainval
Stylegan2 (config e) [Karras et al, 2020] 3.31 3,33 ± 0,02 3,79 ± 0,02 trainval
Stylegan2 (config F) [Karras et al, 2020] [CKPT] 2.84 2,83 + - 0,03 3,06 + - 0,02 trainval
Stylegan2 [Karras et al, 2020] [CKPT] N / A 2,76 ± 0,03 2,98 ± 0,03 trainval70k

140K - Images @ 256x256 (ensemble de formation entier avec flips horizontaux) Les images 70K de l'ensemble trainval70k sont utilisées comme images de référence et comparées à 50k images générées.

Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer
zcr [Zhao et al, 2020] † 3,45 ± 0,19 3,29 ± 0,01 3,40 ± 0,01
Stylegan2 [Karras et al, 2020] † 3,66 ± 0,10 3,57 ± 0,03 3,73 ± 0,03
Pa-gan [Zhang et Khoreva et al, 2019] † 3,78 ± 0,06 3,67 ± 0,03 3,81 ± 0,03
Stylegan2-Ada [Karras et al, 2020] † 3,88 ± 0,13 3,84 ± 0,02 3,93 ± 0,02
Rotation auxiliaire [Chen et al, 2019] † 4,16 ± 0,05 4.10 ± 0,02 4,29 ± 0,03
Abrochage adaptatif [Karras et al, 2020] † 4,16 ± 0,05 4,09 ± 0,02 4,20 ± 0,02
Norm spectrale [Miyato et al, 2018] † 4,60 ± 0,19 4,43 ± 0,02 4,65 ± 0,02
WGAN-GP [Gulrajani et al, 2017] † 6,54 ± 0,37 6,19 ± 0,03 6,62 ± 0,03

† rapportés par [Karras et al, 2020]

30K - Images @ 256x256 (quelques tirs génération)
Les images 70k de l'ensemble trainval70k sont utilisées comme images de référence et comparées aux images générées à 50k.

Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer
Stylegan2 [Karras et al, 2020] [CKPT] 6.16 6,14 ± 0,064 6,49 ± 0,068
Diffaugment-Stylegan2 [Zhao et al, 2020] [CKPT] 5.05 5,07 ± 0,030 5,18 ± 0,032

10K - Images @ 256x256 (quelques tirs génération)
Les images 70k de l'ensemble trainval70k sont utilisées comme images de référence et comparées aux images générées à 50k.

Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer
Stylegan2 [Karras et al, 2020] [CKPT] 14.75 14,88 ± 0,070 16,04 ± 0,078
Diffaugment-Stylegan2 [Zhao et al, 2020] [CKPT] 7.86 7,82 ± 0,045 8,12 ± 0,044

5K - Images @ 256x256 (quelques tirs génération)
Les images 70k de l'ensemble trainval70k sont utilisées comme images de référence et comparées aux images générées à 50k.

Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer
Stylegan2 [Karras et al, 2020] [CKPT] 26.60 26,64 ± 0,086 28,17 ± 0,090
Diffaugment-Stylegan2 [Zhao et al, 2020] [CKPT] 10.45 10,45 ± 0,047 10,99 ± 0,050

1K - Images @ 256x256 (quelques tirs génération)
Les images 70k de l'ensemble trainval70k sont utilisées comme images de référence et comparées aux images générées à 50k.

Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer
Stylegan2 [Karras et al, 2020] [CKPT] 62.16 62,14 ± 0,108 64,17 ± 0,113
Diffaugment-Stylegan2 [Zhao et al, 2020] [CKPT] 25.66 25,60 ± 0,071 27,26 ± 0,077

Catégories LSUN

100% de données
Les images 50K de train Set sont utilisées comme images de référence et comparées aux images générées à 50k.

Catégorie Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer
Églises en plein air Stylegan2 [Karras et al, 2020] [CKPT] 3.86 3,87 ± 0,029 4,08 ± 0,028
Chevaux Stylegan2 [Karras et al, 2020] [CKPT] 3.43 3,41 ± 0,021 3,62 ± 0,023
Chat Stylegan2 [Karras et al, 2020] [CKPT] 6.93 7,02 ± 0,039 7,47 ± 0,035

LSUN CAT - 30K IMAGES (quelques tirs génération)
Toutes les 1 657 264 images de trainfull Split sont utilisées comme images de référence et comparées aux images générées à 50k.

Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer
Stylegan2-mirror-flips [Karras et al, 2020] [CKPT] 10.12 10,15 ± 0,04 10,87 ± 0,04
Stylegan2-Diff-Augment [Zhao et al, 2020] [CKPT] 9.68 9,70 ± 0,07 10,25 ± 0,07

LSUN CAT - IMAGES 10K (quelques tirs génération)
Toutes les 1 657 264 images de trainfull Split sont utilisées comme images de référence et comparées aux images générées à 50k.

Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer
Stylegan2-mirror-flips [Karras et al, 2020] [CKPT] 17.93 17,98 ± 0,09 18,71 ± 0,09
Stylegan2-Diff-Augment [Zhao et al, 2020] [CKPT] 12.07 12,04 ± 0,08 12,53 ± 0,08

LSUN CAT - IMAGES 5K (quelques tirs génération)
Toutes les 1 657 264 images de trainfull Split sont utilisées comme images de référence et comparées aux images générées à 50k.

Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer
Stylegan2-mirror-flips [Karras et al, 2020] [CKPT] 34.69 34,66 ± 0,12 35,85 ± 0,12
Stylegan2-Diff-Augment [Zhao et al, 2020] [CKPT] 16.11 16,11 ± 0,09 16,79 ± 0,09

LSUN CAT - IMAGES 1K (quelques tirs génération)
Toutes les 1 657 264 images de trainfull Split sont utilisées comme images de référence et comparées aux images générées à 50k.

Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer
Stylegan2-mirror-flips [Karras et al, 2020] [CKPT] 182.85 182,80 ± 0,21 185,86 ± 0,21
Stylegan2-Diff-Augment [Zhao et al, 2020] [CKPT] 42.26 42,07 ± 0,16 43,12 ± 0,16

AFHQ (quelques coups de tir)

Chien AFHQ
Les 4739 images de train Split sont utilisées comme images de référence et comparées aux images générées à 50k.

Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer
Stylegan2 [Karras et al, 2020] [CKPT] 19.37 19,34 ± 0,08 20,10 ± 0,08
Stylegan2-Ada [Karras et al, 2020] [CKPT] 7.40 7,41 ± 0,02 7,61 ± 0,02

Afhq sauvage
Les 4738 images de train Split sont utilisées comme images de référence et comparées aux images générées à 50k.

Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer
Stylegan2 [Karras et al, 2020] [CKPT] 3.48 3,55 ± 0,03 3,66 ± 0,02
Stylegan2-Ada [Karras et al, 2020] [CKPT] 3.05 3,01 ± 0,02 3,03 ± 0,02

Brecahad (peu de génération de tirs)

Toutes les images de 1944 de train Split sont utilisées comme images de référence et comparées aux images générées à 50k.

Modèle Héritage
Fid
(rapporté)		 Héritage
Fid
(reproduit)		 Foyer Héritage
ENFANT
(rapporté)
10 ^ 3		 Héritage
ENFANT
(reproduit)
10 ^ 3		 Faire le ménage
ENFANT
10 ^ 3
Stylegan2 [Karras et al, 2020] [CKPT] 97.72 97,46 ± 0,17 98,35 ± 0,17 89,76 89,90 ± 0,31 92,51 ± 0,32
Stylegan2-Ada [Karras et al, 2020] [CKPT] 15.71 15,70 ± 0,06 15,63 ± 0,06 2.88 2,93 ± 0,08 3,08 ± 0,08

Metfaces (quelques coups de tir)

Les 1336 images de train Split sont utilisées comme images de référence et comparées aux images générées à 50k.

Modèle Héritage
Fid
(rapporté)		 Héritage
Fid
(reproduit)		 Foyer Héritage
ENFANT
(rapporté)
10 ^ 3		 Héritage
ENFANT
(reproduit)
10 ^ 3		 Faire le ménage
ENFANT
10 ^ 3
Stylegan2 [Karras et al, 2020] [CKPT] 57.26 57,36 ± 0,10 65,74 ± 0,11 35.66 35,69 ± 0,16 40,90 ± 0,14
Stylegan2-Ada [Karras et al, 2020] [CKPT] 18.22 18,18 ± 0,03 19,60 ± 0,03 2.41 2,38 ± 0,05 2,86 ± 0,04

Horse2zebra (traduction d'image à l'image)

Les 140 images de test Split sont utilisées comme images de référence et comparées à 120 images traduites.

Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer
Couper [Park et al, 2020] 45,5 45,51 43.71
Distance [Benaim et Wolf et al, 2017] rapportées par [Park et al, 2020] 72.0 71.97 71.01
Fastcut [Park et al, 2020] 73.4 73.38 72.53
Cyclegan [Zhu et al, 2017] rapporté par [Park et al, 2020] 77.2 77.20 75.17
L'auto-administration [Benaim et Wolf et al, 2017] rapportées par [Park et al, 2020] 80.8 80.78 79.28
GCGAN [Fu et al, 2019] rapporté par [Park et al, 2020] 86.7 85.86 83.65
Munit [Huang et al, 2018] rapporté par [Park et al, 2020] 133.8 - † 120.48
Drit [Lee et al, 2017] rapporté par [Park et al, 2020] 140.0 - † 99.56

† Les images traduites pour ces méthodes ont été comparées intitiellement par [Park et al, 2020] en utilisant la compression .jpeg. Nous recyclons ces deux méthodes en utilisant le même protocole et générons les images que .png pour une comparaison équitable.


Cat2Dog (traduction d'image à l'image)

Les 500 images de test Split sont utilisées comme images de référence et comparées à 500 images traduites.

Modèle Héritage-fid
(rapporté)		 Héritage-fid
(reproduit)		 Foyer
Couper [Park et al, 2020] 76.2 76.21 77,58
Fastcut [Park et al, 2020] 94.0 93.95 95.37
GCGAN [Fu et al, 2019] rapporté par [Park et al, 2020] 96.6 96.61 96.49
Munit [Huang et al, 2018] rapporté par [Park et al, 2020] 104.4 - † 123.73
Drit [Lee et al, 2017] rapporté par [Park et al, 2020] 123.4 - † 127.21
L'auto-administration [Benaim et Wolf et al, 2017] rapportées par [Park et al, 2020] 144.4 144.42 147.23
Distance [Benaim et Wolf et al, 2017] rapportées par [Park et al, 2020] 155.3 155.34 158.39

† Les images traduites pour ces méthodes ont été comparées intitiellement par [Park et al, 2020] en utilisant la compression .jpeg. Nous recyclons ces deux méthodes en utilisant le même protocole et générons les images que .png pour une comparaison équitable.

Projets connexes

Fidélité torche: métriques de performance à haute fidélité pour les modèles génératifs en pytorch.
TTUR: Règle de mise à jour à deux temps pour la formation Gans.
LPIPS: métrique de similitude perceptuelle et ensemble de données.

Licence

Tous les documents de ce référentiel sont mis à disposition sous la licence MIT.

Inception_pytorch.py est dérivé de l'implémentation Pytorch de FID fournie par Maximilian Seitzer. Ces fichiers ont été initialement partagés sous la licence Apache 2.0.

Inception-2015-12-05.pt est un modèle de torchscript du réseau de création pré-formé-V3 de Christian Szegedy, Vincent Vanhoucke, Sergey Ioffe, Jonathon Shlens et Zbiguew Wojna. Le réseau a été initialement partagé sous la licence Apache 2.0 sur le référentiel des modèles TensorFlow. L'emballage TorchScript est fourni par Tero Karras et Miika Aittala et Janne Hellsten et Samuli Laine et Jaakko Lehtinen et Timo Aila qui est publié sous la licence de code source Nvidia.

Développer
Informations supplémentaires
Applications connexes
Recommandé pour vous
Actualités connexes Tout