生成モデルの評価に向けた精度と再現率の向上した指標

生成モデルによって生成されるサンプルの品質とカバレッジを自動的に推定する能力は、アルゴリズム研究を進展させる上で重要な要件です。本稿では、実際のデータと生成されたデータの多様体（manifolds）の明示的かつ非パラメトリックな表現を形成することにより、画像生成タスクにおいてこれらの側面を個別に且つ信頼性高く測定できる評価指標を提案します。我々は、既存の指標が情報不足または矛盾した結果をもたらすいくつかの具体的な例を提示することで、提案した指標の有効性をStyleGANおよびBigGANで示します。さらに、StyleGANの複数の設計変種を分析し、モデルアーキテクチャ、学習方法、および生成されたサンプル分布の特性との関係性をより深く理解します。この過程で、最先端技術を向上させる新しい変種を特定しました。また、初めて原理に基づいた切り捨て手法（truncation methods）の分析を行い、改善された手法を特定しました。最後に、我々は指標を拡張して個々のサンプルの知覚的品質を見積もり、これを用いて潜在空間補間（latent space interpolations）について研究を行いました。