تحسين دقة الاسترجاع كمقياس لتقييم النماذج التوليدية

القدرة على تقدير جودة وتغطية العينات التي ينتجها نموذج توليدي بشكل آلي هي متطلب حيوي لدفع بحوث الخوارزميات. نقدم مقياس تقييم يمكنه قياس هذين الجوانب بشكل منفصل وموثوق في مهام إنشاء الصور من خلال تشكيل تمثيلات صريحة وغير معلمة للمنايف (manifolds) للبيانات الحقيقية والمنشأة. نظهر فعالية مقاييسنا في StyleGAN و BigGAN من خلال تقديم عدة أمثلة توضيحية حيث تؤدي المقاييس الموجودة إلى نتائج غير مفيدة أو متضاربة. علاوة على ذلك، نحلل العديد من التصميمات المتغيرة لـ StyleGAN لفهم أفضل العلاقات بين بنية النموذج، طرق التدريب، وخواص توزيع العينات الناتجة. وفي هذا السياق، نحدد متغيرات جديدة تحسن الحالة الراهنة. كما نقوم بأول تحليل مبدئي لطرق التقسيم (truncation) ونحدد طريقة محسنة. وأخيرًا، نوسع مقاييسنا لتقدير الجودة الإدراكية للعينات الفردية، واستخدم هذا لدراسة التداخلات في الفضاء الكامن (latent space).