中科大&微軟提出挑圖神器: GIQA，一鍵挑出高質量圖像！
2020-08-04 09:36
將門創(chuàng)投
關注
非參數(shù)化模型：KNN－GIQA：
此外，我們還可以用K近鄰（KNN）來對真實數(shù)據(jù)分布在特征層面建模。對于待測圖片I及其提取的特征x，若它與真實圖片距離越近，表示其出現(xiàn)的概率高，也就表示其質量高。
在我們收集的LGIQA質量評估數(shù)據(jù)集上，GMM－GIQA能取得最好的結果，遠遠超過傳統(tǒng)的圖像質量評估的方法。我們也最推薦大家使用GMM－GIQA的方法。我們也展示了圖片顯示我們的方法篩選出的圖片相比傳統(tǒng)的方法更符合人類的認知。
我們的方法還有很多衍生應用。其中一個是模型質量評估。對于生成模型，我們可以獨立地衡量生成圖片的質量和多樣性。一批生成圖片的質量的平均值可以用來衡量模型的生成圖片質量，我們稱之為Quality Score（QS）。
相似的，我們用一批真實圖片在生成圖片中的質量衡量的平均值當成模型多樣性的衡量Diversity Score（DS）。
我們用這些方法在unconditional GAN和conditional GAN上有驗證了其有效性。
分享
聲明：
本文由入駐維科號的作者撰寫，觀點僅代表作者本人，不代表OFweek立場。如有侵權或其他問題，請聯(lián)系舉報。
請輸入評論內容...
請輸入評論/評論長度6~500個字
