改进的生成模型评估精度和召回率指标

自动评估生成模型产生的样本的质量和覆盖率是推动算法研究的关键需求。本文提出了一种评估指标，该指标能够在图像生成任务中分别且可靠地测量这两个方面，通过形成真实数据和生成数据流形的显式、非参数化表示来实现。我们通过提供多个示例展示了该指标在StyleGAN和BigGAN中的有效性，这些示例表明现有指标有时会得出无意义或矛盾的结果。此外，我们分析了StyleGAN的多种设计变体，以更好地理解模型架构、训练方法与生成样本分布特性之间的关系。在此过程中，我们识别出了一些改进的变体，从而提升了当前的最佳水平。我们还首次对截断方法进行了原则性的分析，并确定了一种改进的方法。最后，我们将该指标扩展到估计单个样本的感知质量，并利用这一点研究了潜在空间插值。