생성 모델 평가를 위한 개선된 정밀도 및 재현율 지표

생성 모델이 생성한 샘플의 품질과 범위를 자동으로 추정하는 능력은 알고리즘 연구를 진전시키는 데 있어 필수적인 요구사항입니다. 본 논문에서는 실제 데이터와 생성된 데이터의 다양체(manifolds)에 대한 명시적이고 비모수적인 표현을 형성하여 이미지 생성 작업에서 이 두 가지 측면을 각각 신뢰성 있게 측정할 수 있는 평가 지표를 제시합니다. 우리는 StyleGAN과 BigGAN에서 기존 지표들이 정보가 부족하거나 모순된 결과를 제공하는 여러 예시를 통해 우리의 지표의 효과성을 입증합니다. 또한, StyleGAN의 여러 설계 변형을 분석하여 모델 아키텍처, 학습 방법, 그리고 결과 샘플 분포의 특성 간의 관계를 더 잘 이해하고자 합니다. 이 과정에서 우리는 최신 기술을 개선하는 새로운 변형들을 식별하였습니다. 또한, 우리는 처음으로 절단(truncation) 방법에 대한 원칙적인 분석을 수행하고 개선된 방법을 식별하였습니다. 마지막으로, 우리의 지표를 확장하여 개별 샘플의 감지 품질(perceptual quality)을 추정하고 이를 이용하여 잠재 공간 보간(latent space interpolations)을 연구하였습니다.