Fréchet Başlangıç Mesafesi
Fréchet Başlangıç Mesafesi (FID), oluşturulan bir dizi görüntünün ne kadar gerçekçi ve çeşitli olduğunu değerlendirmek için kullanılan standart ölçümdür.
Genel Bakış
It compares the statistics of real and generated images in a deep feature space — lower scores mean the fakes look closer to the real thing.
Derin Dalış
Heusel ve arkadaşları tarafından tanıtılan FID. 2017'de daha önceki Başlangıç Skorundaki önemli bir kusuru düzeltti: oluşturulan görüntüleri hiçbir zaman gerçek gerçek verilerle karşılaştırmadı. FID, hem gerçek hem de oluşturulmuş görüntüleri önceden eğitilmiş bir Inception-v3 ağı aracılığıyla besler ve her görüntü için derin bir havuzlama katmanından 2048 boyutlu bir özellik vektörünü okur. Daha sonra her bir özellik kümesini çok değişkenli bir Gaussian olarak modeller ve bunları bir ortalama vektör ve kovaryans matrisi ile özetler. İki Gaussian arasındaki mesafe, Fréchet mesafesi (2-Wasserstein mesafesi olarak da bilinir) ile hesaplanır. Daha düşük bir FID, oluşturulan dağıtımın ortalaması ve yayılımının gerçek görüntülerle yakından eşleştiği ve hem aslına uygunluğu (gerçek görünüyorlar mı?) hem de çeşitliliği (gerçek verilerin çeşitliliğini kapsıyor mu?) yakaladığı anlamına gelir.
Teknik Bilgi
FID formülü, iki ortalama vektörün kare farkı artı (kovaryansların toplamı eksi bunların çarpımının matris karekökünün iki katı) izinin karesidir. FID, tam kovaryans kullandığı için hem bulanık, gerçekçi olmayan çıktıları hem de modelin çok az çeşitlilik ürettiği durumlarda mod çöküşünü cezalandırır. Örneklem boyutuna duyarlıdır - çok az görüntü, tahminin artmasına neden olur - bu nedenle uygulayıcılar bunu genellikle on binlerce, genellikle 50.000 görüntü üzerinden hesaplar.
Stratejik Etki
Speed and scale
Visual AI, inceleme, algılama ve etiketleme görevlerini geniş ölçekte otomatikleştirebilir.
Build choices
Yaratıcı ekipler, daha az manuel revizyonla konseptleri daha hızlı prototipleyebilir.
Ekip ve iş akışı
Operasyonlar, daha önce işlenmesi zor olan görüntü ve video sinyallerini kullanabilir.
Fréchet Başlangıç Mesafesinin Geleceği
FID alanın varsayılanı olmaya devam ediyor, ancak zayıf yönleri alternatifleri yönlendiriyor. Araştırmacılar, ImageNet önyargılarını Inception-v3'ten miras aldığını ve CLIP özellikleri (bazen FDD veya CMMD olarak da adlandırılır) üzerinde hesaplanan FID, küçük örnekler için Çekirdek Başlangıç Mesafesi (KID) ve aslına uygunluğu çeşitlilikten ayıran hassaslık/geri çağırma ölçümleri gibi ölçümleri harekete geçirerek insan kararına katılmayabileceğini gösterdi. Özellikle metinden görüntüye ve video oluşturmanın tek rakamlı özetlerden daha fazla olduğu göz önüne alındığında, daha zengin, özellik omurgasından bağımsız ve algısal olarak hizalanmış bir değerlendirme bekleyebilirsiniz.
Gerçek Dünya Uygulaması
Ekiplerin yüz oluşturma kalitesini karşılaştırmak için FFHQ gibi veri kümeleri üzerinde FID rapor ettiği StyleGAN gibi GAN'ların kıyaslaması.
Görüntü kalitesinin iyileşmesinin ne zaman durduğunu görmek için kontrol noktalarında FID'yi hesaplayarak bir difüzyon modelinin eğitim ilerlemesini izleme.
Daha gerçekçi çıktıların kanıtı olarak daha düşük FID'nin gösterildiği COCO veri kümesindeki rakip metinden resme modellerin karşılaştırılması.
Model çok az görüntü çeşitliliği ürettiğinde FID'nin kovaryans terimi arttığından, bir jeneratörde mod çöküşünün tespit edilmesi.
Riskler ve Korkuluklar
Kaynağın belirsiz olması durumunda görüntü hakları ve rıza yasal risk haline gelebilir.
Model performansı aydınlatma, demografik özellikler ve ortamlara göre değişiklik gösterebilir.
Güven eşikleri izlenmediği sürece yanlış pozitifler fark edilmeyebilir.
Uygulama Yol Haritası
Kesinlik, geri çağırma ve hata maliyetlerine ilişkin kabul kriterlerini tanımlayın.
Gerçek üretim koşullarıyla eşleşen verilerle test edin.
Düşük güvenirliğe sahip veya yüksek etkili tahminler için gerçek kişi tarafından yapılan incelemeyi ekleyin.
Model kaymasını izleyin ve kamera veya veri kümesi değişikliklerinden sonra yeniden doğrulayın.
Keşfetmeye Devam Edin
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Fréchet Inception Distance quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
İmzalı Mesafe Fonksiyonları
Sık sorulan sorular
What is Fréchet Inception Distance?
Fréchet Başlangıç Mesafesi (FID), oluşturulan bir dizi görüntünün ne kadar gerçekçi ve çeşitli olduğunu değerlendirmek için kullanılan standart ölçümdür. Gerçek ve oluşturulmuş görüntülerin istatistiklerini derin bir özellik alanında karşılaştırır; daha düşük puanlar, sahte görüntülerin gerçeğe daha yakın görünmesi anlamına gelir.
Daha düşük bir FID puanı neyi gösterir?
FID, gerçek ve oluşturulan özellik dağılımları arasındaki mesafeyi ölçer; dolayısıyla daha düşük bir değer, oluşturulan kümenin aslına uygunluk ve çeşitlilik açısından gerçek verilere daha yakın eşleştiği anlamına gelir.
Standart FID, görüntü özelliklerini çıkarmak için hangi önceden eğitilmiş ağı kullanır?
FID, görüntüleri önceden eğitilmiş bir Inception-v3 ağı üzerinden geçirir ve hem gerçek hem de oluşturulmuş görüntüler için 2048 boyutlu havuzlama katmanı özelliklerini kullanır.
FID, karşılaştırmadan önce her bir görüntü özelliği kümesini nasıl özetliyor?
Her özellik seti çok değişkenli bir Gaussian olarak modellenir ve FID, iki Gaussian arasındaki Fréchet (2-Wasserstein) mesafesini hesaplar.
FID, Başlangıç Puanının hangi önemli eksikliğini giderdi?
Başlangıç Puanı yalnızca oluşturulan görüntüleri ayrı ayrı değerlendirdi; FID, oluşturulan ve gerçek görüntü dağılımlarını doğrudan karşılaştırarak bunu geliştirdi.
Bir jeneratör mod çökmesinden muzdarip olduğunda FID neden yükseliyor?
FID, özelliklerin tam kovaryansını kullanır; bu nedenle, bir model çok az çeşitlilik ürettiğinde, yayılımı gerçek verilerden saparak puanı yükseltir.