فاصله اولیه فریشه - ویکی‌پدیا، دانشنامهٔ آزاد

فاصله اولیه فریشه (انگلیسی: Fréchet inception distance)

فاصله اولیه فریشه (FID) معیاری است که برای ارزیابی کیفیت تصاویر ایجاد شده توسط یک مدل تولیدی، مانند یک شبکه متخاصم مولد (GAN) استفاده می‌شود.^[۱]^[۲] بر خلاف معیار قدیمی تر امتیاز اولیه (IS)، که فقط توزیع تصاویر تولید شده را ارزیابی می کند، FID توزیع تصاویر تولید شده را با توزیع مجموعه ای از تصاویر واقعی ("حقیقت زمین") مقایسه می کند.^[۱]

متریک FID در سال 2017 معرفی شد، ^[۱] و از سال 2020 معیار استاندارد برای ارزیابی کیفیت مدل‌های مولد است. این معیار برای اندازه‌گیری کیفیت بسیاری از مدل‌های اخیر از جمله مدل وضوح بالا StyleGAN1 ^[۳] و شبکه های StyleGAN2 ^[۴] بوده است.

منابع[ویرایش]

↑ ^۱٫۰ ^۱٫۱ ^۱٫۲ Heusel, Martin; Ramsauer, Hubert; Unterthiner, Thomas; Nessler, Bernhard; Hochreiter, Sepp (2017). "GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium". Advances in Neural Information Processing Systems (به انگلیسی). 30. arXiv:1706.08500.
↑ Heusel, Martin; Ramsauer, Hubert; Unterthiner, Thomas; Nessler, Bernhard; Klambauer, Günter; Hochreiter, Sepp (2017-06-26). "GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium". arXiv:1706.08500 [cs.LG].
↑ Karras, Tero; Laine, Samuli; Aila, Timo (2020). "A Style-Based Generator Architecture for Generative Adversarial Networks". IEEE Transactions on Pattern Analysis and Machine Intelligence. PP (12): 4217–4228. arXiv:1812.04948. doi:10.1109/TPAMI.2020.2970919. PMID 32012000. S2CID 211022860.
↑ Karras, Tero; Laine, Samuli; Aittala, Miika; Hellsten, Janne; Lehtinen, Jaakko; Aila, Timo (23 March 2020). "Analyzing and Improving the Image Quality of StyleGAN". arXiv:1912.04958 [cs.CV].

مشارکت‌کنندگان ویکی‌پدیا. «Fréchet inception distance». در دانشنامهٔ ویکی‌پدیای انگلیسی، بازبینی‌شده در ۸ مه ۲۰۲۳.

[fid-1] ۱٫۰ ^۱٫۱ ^۱٫۲ Heusel, Martin; Ramsauer, Hubert; Unterthiner, Thomas; Nessler, Bernhard; Hochreiter, Sepp (2017). "GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium". Advances in Neural Information Processing Systems (به انگلیسی). 30. arXiv:1706.08500.

[2] Heusel, Martin; Ramsauer, Hubert; Unterthiner, Thomas; Nessler, Bernhard; Klambauer, Günter; Hochreiter, Sepp (2017-06-26). "GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium". arXiv:1706.08500 [cs.LG].

[stylegan1-3] Karras, Tero; Laine, Samuli; Aila, Timo (2020). "A Style-Based Generator Architecture for Generative Adversarial Networks". IEEE Transactions on Pattern Analysis and Machine Intelligence. PP (12): 4217–4228. arXiv:1812.04948. doi:10.1109/TPAMI.2020.2970919. PMID 32012000. S2CID 211022860.

[4] Karras, Tero; Laine, Samuli; Aittala, Miika; Hellsten, Janne; Lehtinen, Jaakko; Aila, Timo (23 March 2020). "Analyzing and Improving the Image Quality of StyleGAN". arXiv:1912.04958 [cs.CV].

[۱]

[۲]

[۳]

[۴]