Beranda>Terkait pemrograman>ular piton
Unduh

FID bersih untuk mengevaluasi model generatif


Proyek | Kertas | Slide | Colab-fid | Colab-Ressize | Tabel Papan Peringkat
Mulai Cepat: Hitung FID | Hitung anak

[Baru] Menghitung fitur menggunakan klip [Kynkäänniemi et al, 2022] sekarang didukung. Lihat di sini untuk detail lebih lanjut.

Perhitungan FID melibatkan banyak langkah yang dapat menghasilkan ketidakkonsistenan dalam metrik akhir. Seperti yang ditunjukkan di bawah ini, berbagai implementasi menggunakan fungsi kuantisasi dan pengubah ukuran tingkat rendah yang berbeda, yang terakhir sering diimplementasikan secara tidak benar.

Kami menyediakan perpustakaan yang mudah digunakan untuk mengatasi masalah di atas dan membuat skor FID yang sebanding di berbagai metode, makalah, dan kelompok.

Naskah yang sesuai

Pada pengubah ukuran yang alias dan seluk -beluk yang mengejutkan dalam evaluasi GAN
Gaurav Parmar, Richard Zhang, Jun-Yan Zhu
CVPR, 2022
CMU dan Adobe

Jika Anda menemukan repositori ini berguna untuk penelitian Anda, silakan kutip karya berikut. 

 @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}
}

Operasi pengubah ukuran alias

Definisi fungsi ukuran adalah matematika dan tidak boleh menjadi fungsi dari perpustakaan yang digunakan . Sayangnya, implementasi berbeda di perpustakaan yang umum digunakan. Mereka sering diimplementasikan secara tidak benar oleh perpustakaan populer. Cobalah berbagai implementasi pengubah ukuran di Google Colab Notebook di sini.


Ketidakkonsistenan di antara implementasi dapat memiliki efek drastis dari metrik evaluasi. Tabel di bawah ini menunjukkan bahwa gambar dataset FFHQ yang diubah ukurannya dengan implementasi bicubic dari perpustakaan lain (OpenCV, Pytorch, TensorFlow, OpenCV) memiliki skor FID yang besar (≥ 6) bila dibandingkan dengan gambar yang sama dengan filter PIL-bikubik yang diimplementasikan dengan benar. Filter lain yang diterapkan dengan benar dari PIL (Lanczos, bilinear, kotak) semuanya menghasilkan skor FID yang relatif lebih kecil (≤ 0,75). Perhatikan bahwa sejak TF 2.0, antialias bendera baru (default: False ) dapat menghasilkan hasil yang dekat dengan PIL. Namun, itu tidak digunakan dalam repo TF-FID yang ada dan ditetapkan sebagai False secara default.

Kompresi gambar JPEG

Kompresi gambar dapat memiliki efek yang sangat besar pada FID. Gambar tidak dapat dibedakan secara perseptual satu sama lain tetapi memiliki skor FID yang besar. Skor FID di bawah gambar dihitung antara semua gambar FFHQ yang disimpan menggunakan format JPEG yang sesuai dan format PNG.

Di bawah ini, kami mempelajari pengaruh kompresi JPEG untuk model StyleGan2 yang dilatih pada dataset FFHQ (kiri) dan dataset gereja LSUN Outdoor (kanan). Perhatikan bahwa gambar dataset LSUN dikumpulkan dengan kompresi JPEG (kualitas 75), sedangkan gambar FFHQ dikumpulkan sebagai PNG. Menariknya, untuk dataset LSUN, skor FID terbaik (3,48) diperoleh ketika gambar yang dihasilkan dikompresi dengan kualitas JPEG 87.

Awal yang cepat

  • Instal perpustakaan 
     pip install clean-fid

Computing Fid

  • Hitung FID di antara dua folder gambar 
     from cleanfid import fid
score = fid.compute_fid(fdir1, fdir2)
  • Hitung FID antara satu folder gambar dan statistik kumpulan data yang sudah dikomputasi (misalnya, FFHQ ) 
     from cleanfid import fid
score = fid.compute_fid(fdir1, dataset_name="FFHQ", dataset_res=1024, dataset_split="trainval70k")
  • Hitung FID menggunakan model generatif dan statistik dataset pra-komputasi: 
     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")

Komputasi klip-fid

Untuk menggunakan fitur klip saat menghitung FID [Kynkäänniemi et al, 2022], tentukan bendera model_name="clip_vit_b_32"

  • Misalnya untuk menghitung fid klip antara dua folder gambar menggunakan perintah berikut. 
     from cleanfid import fid
score = fid.compute_fid(fdir1, fdir2, mode="clean", model_name="clip_vit_b_32")

Anak komputasi

Skor anak dapat dihitung menggunakan antarmuka yang sama dengan FID. Statistik dataset untuk anak hanya dikomputasi untuk kumpulan data yang lebih kecil AFHQ , BreCaHAD , dan MetFaces .

  • Hitung anak di antara dua folder gambar 
     from cleanfid import fid
score = fid.compute_kid(fdir1, fdir2)
  • Hitung anak di antara satu folder gambar dan statistik kumpulan data yang telah dikomputasi sebelumnya 
     from cleanfid import fid
score = fid.compute_kid(fdir1, dataset_name="brecahad", dataset_res=512, dataset_split="train")
  • Hitung Kid Menggunakan Model Generatif dan Statistik Dataset Pra-Komputasi: 
     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")

Dataset yang didukung didukung

Kami memberikan statistik precompute untuk konfigurasi yang umum digunakan berikut. Silakan hubungi kami jika Anda ingin menambahkan statistik untuk set data baru Anda.

Tugas Dataset Resolusi Split referensi # Gambar referensi mode
Pembuatan gambar cifar10 32 train 50.000 clean , legacy_tensorflow , legacy_pytorch
Pembuatan gambar cifar10 32 test 10.000 clean , legacy_tensorflow , legacy_pytorch
Pembuatan gambar ffhq 1024, 256 trainval 50.000 clean , legacy_tensorflow , legacy_pytorch
Pembuatan gambar ffhq 1024, 256 trainval70k 70.000 clean , legacy_tensorflow , legacy_pytorch
Pembuatan gambar lsun_church 256 train 50.000 clean , legacy_tensorflow , legacy_pytorch
Pembuatan gambar lsun_church 256 trainfull 126.227 clean
Pembuatan gambar lsun_horse 256 train 50.000 clean , legacy_tensorflow , legacy_pytorch
Pembuatan gambar lsun_horse 256 trainfull 2.000.340 clean
Pembuatan gambar lsun_cat 256 train 50.000 clean , legacy_tensorflow , legacy_pytorch
Pembuatan gambar lsun_cat 256 trainfull 1.657.264 clean , legacy_tensorflow , legacy_pytorch
Beberapa generasi tembakan afhq_cat 512 train 5153 clean , legacy_tensorflow , legacy_pytorch
Beberapa generasi tembakan afhq_dog 512 train 4739 clean , legacy_tensorflow , legacy_pytorch
Beberapa generasi tembakan afhq_wild 512 train 4738 clean , legacy_tensorflow , legacy_pytorch
Beberapa generasi tembakan brecahad 512 train 1944 clean , legacy_tensorflow , legacy_pytorch
Beberapa generasi tembakan metfaces 1024 train 1336 clean , legacy_tensorflow , legacy_pytorch
Gambar ke gambar horse2zebra 256 test 140 clean , legacy_tensorflow , legacy_pytorch
Gambar ke gambar cat2dog 256 test 500 clean , legacy_tensorflow , legacy_pytorch

Menggunakan statistik yang telah dikomputasi untuk menghitung skor FID dengan statistik dataset yang telah dikomputasi, gunakan opsi yang sesuai. Misalnya, untuk menghitung skor fid bersih pada gambar ffhq 256x256 yang dihasilkan menggunakan perintah: 

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

Buat statistik dataset khusus

  • dataset_path : folder di mana gambar dataset disimpan

  • Custom_name : Nama yang akan digunakan untuk statistik

  • Menghasilkan statistik khusus (disimpan ke cache lokal) 

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

  • Menggunakan statistik khusus yang dihasilkan 

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

  • Menghapus statistik khusus 

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

  • Periksa apakah statistik khusus sudah ada 

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

Kompatibilitas ke belakang

Kami menyediakan dua bendera untuk mereproduksi skor FID lama.

  • mode="legacy_pytorch"
    Bendera ini setara dengan menggunakan implementasi Pytorch Fid populer yang disediakan di sini
    Perbedaan antara menggunakan FID bersih dengan opsi ini dan kode adalah ~ 2E-06
    Lihat dokumen untuk bagaimana metode ini dibandingkan

  • mode="legacy_tensorflow"
    Bendera ini setara dengan menggunakan implementasi resmi FID yang dirilis oleh penulis.
    Perbedaan antara menggunakan FID bersih dengan opsi ini dan kode adalah ~ 2E-05
    Lihat DOC untuk langkah -langkah terperinci tentang bagaimana metode dibandingkan

Membangun Fid Bersih Secara Lokal Dari Sumber 

 python setup.py bdist_wheel
pip install dist/*

Papan peringkat cleanfid untuk tugas umum

Kami menghitung skor FID menggunakan metode yang sesuai yang digunakan dalam kertas asli dan menggunakan fid bersih yang diusulkan di sini. Semua nilai dihitung menggunakan 10 evaluasi berjalan. Kami menyediakan API untuk meminta hasil yang ditunjukkan pada tabel di bawah ini langsung dari paket PIP.

Jika Anda ingin menambahkan nomor dan model baru ke papan peringkat kami, jangan ragu untuk menghubungi kami.

CIFAR-10 (beberapa tembakan)

Set test digunakan sebagai distribusi referensi dan dibandingkan dengan gambar yang dihasilkan 10K.

Data 100% (tanpa syarat)

Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih
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 (cermin-flips) [Karras et al, 2020] [CKPT] 11.07 11,07 ± 0,10 12,96 ± 0,07
styleGan2 (tanpa 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

† Metode ini menggunakan set pelatihan sebagai distribusi referensi dan bandingkan dengan gambar yang dihasilkan 50k

Data 20%

Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih
StyleGan2-Diff-Agustment [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

Data 10%

Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih
StyleGan2-Diff-Agustment [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 (beberapa tembakan)

Set test digunakan sebagai distribusi referensi dan dibandingkan dengan gambar yang dihasilkan 10K.

Data 100%

Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih
StyleGan2-Mirror-Flips [Karras et al, 2020] [CKPT] 16.54 16,44 ± 0,19 18,44 ± 0,24
StyleGan2-Diff-Agustment [Zhao et al, 2020] [CKPT] 15.22 15.15 ± 0,13 16,80 ± 0,13

Data 20%

Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih
StyleGan2-Mirror-Flips [Karras et al, 2020] [CKPT] 32.30 32.26 ± 0,19 34,88 ± 0,14
StyleGan2-Diff-Agustment [Zhao et al, 2020] [CKPT] 16.65 16,74 ± 0,10 18.49 ± 0,08

Data 10%

Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih
StyleGan2-Mirror-Flips [Karras et al, 2020] [CKPT] 45.87 45,97 ± 0,20 46,77 ± 0,19
StyleGan2-Diff-Agustment [Zhao et al, 2020] [CKPT] 20.75 20,69 ± 0,12 23,40 ± 0,09

Ffhq

semua gambar @ 1024x1024
Nilai dihitung menggunakan gambar yang dihasilkan 50k

Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih Split referensi
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 - Gambar @ 256x256 (seluruh set pelatihan dengan flip horizontal) Gambar 70k dari set trainval70k digunakan sebagai gambar referensi dan dibandingkan dengan gambar yang dihasilkan 50k.

Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih
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 dan Khoreva et al, 2019] † 3,78 ± 0,06 3,67 ± 0,03 3,81 ± 0,03
StyleGan2-1 [Karras et al, 2020] † 3,88 ± 0,13 3,84 ± 0,02 3,93 ± 0,02
Rotasi tambahan [Chen et al, 2019] † 4,16 ± 0,05 4,10 ± 0,02 4,29 ± 0,03
Dropout adaptif [Karras et al, 2020] † 4,16 ± 0,05 4.09 ± 0,02 4,20 ± 0,02
Norma spektral [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

† Dilaporkan oleh [Karras et al, 2020]

30K - gambar @ 256x256 (beberapa generasi bidikan)
Gambar 70k dari set trainval70k digunakan sebagai gambar referensi dan dibandingkan dengan gambar yang dihasilkan 50k.

Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih
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 - gambar @ 256x256 (beberapa generasi bidikan)
Gambar 70k dari set trainval70k digunakan sebagai gambar referensi dan dibandingkan dengan gambar yang dihasilkan 50k.

Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih
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 - gambar @ 256x256 (beberapa generasi bidikan)
Gambar 70k dari set trainval70k digunakan sebagai gambar referensi dan dibandingkan dengan gambar yang dihasilkan 50k.

Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih
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 - gambar @ 256x256 (beberapa generasi bidikan)
Gambar 70k dari set trainval70k digunakan sebagai gambar referensi dan dibandingkan dengan gambar yang dihasilkan 50k.

Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih
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

Kategori lsun

Data 100%
Gambar 50k dari set train digunakan sebagai gambar referensi dan dibandingkan dengan gambar yang dihasilkan 50K.

Kategori Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih
Gereja luar ruangan StyleGan2 [Karras et al, 2020] [CKPT] 3.86 3,87 ± 0,029 4,08 ± 0,028
Kuda StyleGan2 [Karras et al, 2020] [CKPT] 3.43 3,41 ± 0,021 3,62 ± 0,023
Kucing StyleGan2 [Karras et al, 2020] [CKPT] 6.93 7,02 ± 0,039 7.47 ± 0,035

LSUN CAT - gambar 30K (beberapa generasi bidikan)
Semua 1.657.264 gambar dari trainfull Split digunakan sebagai gambar referensi dan dibandingkan dengan 50k gambar yang dihasilkan.

Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih
StyleGan2-Mirror-Flips [Karras et al, 2020] [CKPT] 10.12 10,15 ± 0,04 10,87 ± 0,04
StyleGan2-Diff-Agustment [Zhao et al, 2020] [CKPT] 9.68 9,70 ± 0,07 10,25 ± 0,07

LSUN CAT - Gambar 10K (beberapa generasi bidikan)
Semua 1.657.264 gambar dari trainfull Split digunakan sebagai gambar referensi dan dibandingkan dengan 50k gambar yang dihasilkan.

Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih
StyleGan2-Mirror-Flips [Karras et al, 2020] [CKPT] 17.93 17,98 ± 0,09 18.71 ± 0,09
StyleGan2-Diff-Agustment [Zhao et al, 2020] [CKPT] 12.07 12,04 ± 0,08 12,53 ± 0,08

LSUN CAT - Gambar 5K (beberapa generasi bidikan)
Semua 1.657.264 gambar dari trainfull Split digunakan sebagai gambar referensi dan dibandingkan dengan 50k gambar yang dihasilkan.

Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih
StyleGan2-Mirror-Flips [Karras et al, 2020] [CKPT] 34.69 34,66 ± 0,12 35,85 ± 0,12
StyleGan2-Diff-Agustment [Zhao et al, 2020] [CKPT] 16.11 16.11 ± 0,09 16,79 ± 0,09

LSUN CAT - Gambar 1K (beberapa generasi bidikan)
Semua 1.657.264 gambar dari trainfull Split digunakan sebagai gambar referensi dan dibandingkan dengan 50k gambar yang dihasilkan.

Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih
StyleGan2-Mirror-Flips [Karras et al, 2020] [CKPT] 182.85 182.80 ± 0,21 185.86 ± 0,21
StyleGan2-Diff-Agustment [Zhao et al, 2020] [CKPT] 42.26 42,07 ± 0,16 43,12 ± 0,16

AFHQ (beberapa generasi tembakan)

Anjing afhq
Semua 4739 gambar dari split train digunakan sebagai gambar referensi dan dibandingkan dengan gambar yang dihasilkan 50k.

Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih
StyleGan2 [Karras et al, 2020] [CKPT] 19.37 19,34 ± 0,08 20.10 ± 0,08
StyleGan2-1 [Karras et al, 2020] [CKPT] 7.40 7.41 ± 0,02 7,61 ± 0,02

Afhq liar
Semua 4738 gambar dari split train digunakan sebagai gambar referensi dan dibandingkan dengan gambar yang dihasilkan 50k.

Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih
StyleGan2 [Karras et al, 2020] [CKPT] 3.48 3,55 ± 0,03 3,66 ± 0,02
StyleGan2-1 [Karras et al, 2020] [CKPT] 3.05 3.01 ± 0,02 3.03 ± 0,02

Brecahad (beberapa generasi tembakan)

Semua gambar 1944 dari train Split digunakan sebagai gambar referensi dan dibandingkan dengan gambar yang dihasilkan 50k.

Model Warisan
Fid
(dilaporkan)		 Warisan
Fid
(direproduksi)		 Fid bersih Warisan
ANAK
(dilaporkan)
10^3		 Warisan
ANAK
(direproduksi)
10^3		 Membersihkan
ANAK
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
StyleGan2-1 [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 (beberapa generasi tembakan)

Semua 1336 gambar dari train Split digunakan sebagai gambar referensi dan dibandingkan dengan gambar yang dihasilkan 50k.

Model Warisan
Fid
(dilaporkan)		 Warisan
Fid
(direproduksi)		 Fid bersih Warisan
ANAK
(dilaporkan)
10^3		 Warisan
ANAK
(direproduksi)
10^3		 Membersihkan
ANAK
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
StyleGan2-1 [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 (gambar ke gambar gambar)

Semua 140 gambar dari test split digunakan sebagai gambar referensi dan dibandingkan dengan 120 gambar yang diterjemahkan.

Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih
Potong [Park et al, 2020] 45.5 45.51 43.71
Jarak [Benaim dan Wolf et al, 2017] dilaporkan oleh [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] dilaporkan oleh [Park et al, 2020] 77.2 77.20 75.17
Sendiri [Benaim dan Wolf et al, 2017] dilaporkan oleh [Park et al, 2020] 80.8 80.78 79.28
GCGAN [Fu et al, 2019] dilaporkan oleh [Park et al, 2020] 86.7 85.86 83.65
Munit [Huang et al, 2018] dilaporkan oleh [Park et al, 2020] 133.8 - † 120.48
Drit [Lee et al, 2017] dilaporkan oleh [Park et al, 2020] 140.0 - † 99.56

† Gambar yang diterjemahkan untuk metode ini secara intistif dibandingkan oleh [Park et al, 2020] menggunakan kompresi .JPEG. Kami melatih kedua metode ini menggunakan protokal yang sama dan menghasilkan gambar sebagai .png untuk perbandingan yang adil.


Cat2dog (gambar ke gambar gambar)

Semua 500 gambar dari test split digunakan sebagai gambar referensi dan dibandingkan dengan 500 gambar yang diterjemahkan.

Model Warisan-fid
(dilaporkan)		 Warisan-fid
(direproduksi)		 Fid bersih
Potong [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] dilaporkan oleh [Park et al, 2020] 96.6 96.61 96.49
Munit [Huang et al, 2018] dilaporkan oleh [Park et al, 2020] 104.4 - † 123.73
Drit [Lee et al, 2017] dilaporkan oleh [Park et al, 2020] 123.4 - † 127.21
Sendiri [Benaim dan Wolf et al, 2017] dilaporkan oleh [Park et al, 2020] 144.4 144.42 147.23
Jarak [Benaim dan Wolf et al, 2017] dilaporkan oleh [Park et al, 2020] 155.3 155.34 158.39

† Gambar yang diterjemahkan untuk metode ini secara intistif dibandingkan oleh [Park et al, 2020] menggunakan kompresi .JPEG. Kami melatih kedua metode ini menggunakan protokal yang sama dan menghasilkan gambar sebagai .png untuk perbandingan yang adil.

Proyek terkait

Torch-fidelity: Metrik kinerja kesetiaan tinggi untuk model generatif di pytorch.
TTUR: Dua aturan pembaruan skala waktu untuk pelatihan GANS.
LPIPS: Metrik Kesamaan Perseptual dan Dataset.

Lisensi

Semua materi dalam repositori ini tersedia di bawah lisensi MIT.

Inception_pytorch.py berasal dari implementasi FID Pytorch yang disediakan oleh Maximilian Seitzer. File -file ini awalnya dibagikan di bawah lisensi Apache 2.0.

Inception-2015-12-05.PT adalah model Torchscript dari jaringan awal terlatih-V3 oleh Christian Szegedy, Vincent Vanhoucke, Sergey Ioffe, Jonathon Shlens, dan Zbigniew Wojna. Jaringan awalnya dibagikan di bawah lisensi Apache 2.0 pada repositori model TensorFlow. Pembungkus Torchscript disediakan oleh Tero Karras dan Miika Aittala dan Janne Hellsten dan Samuli Laine dan Jaakko Lehtinen dan Timo Aila yang dirilis di bawah Lisensi Kode Sumber NVIDIA.

Memperluas
Informasi Tambahan
Aplikasi Terkait
Direkomendasikan untuk Anda
Informasi Terkait Semua