GAN生成对抗网络的衡量指标
作者：互联网
本篇文章主要是生成对抗网络的衡量指标进行介绍，尤其是当生成对抗网络用于(医学图像增强)，我们应该用何等方法进行衡量。
常见的 GAN 衡量指标有可视化查看，以及定量数值分析 Inception Score(IS), Fréchet Inception Distance(FID) 等等方法。同时当GAN用于图像数据增强时，我们还可以将应用 GAN 生成图片，对图像数据增强的效果作为衡量指标，比如用于 CT 数据增强时，使用分类器分类准确率的提高情况。下面对这几种方法进行逐一介绍
1. GAN 生成图片的可视化查看
生成对抗网络作为生成器中最为典型、且非常成功的一个网络，常常用于生成特定种类的图片，常见的 GAN 网络性能衡量往往是查看生成图片的效果，如在 ACGAN 中，作者就给出了网络生成图像的数据，从中我们可以初略估计网络的效果：
同时进一步来看，我们还可以通过 Nearest Neighbor analysis 生成对抗网络是否过拟合，仅仅是对数据集中的图片进行了记忆，而不是捕获了图片数据的分布。
同时我们可以通过 latent space interpolation 进一步查看过拟合，选取两个 Noise 向量，然后在其中间插入一系列的点，查看 GAN 生成图片的关联度，以及是否会出现含义不明确的图片
但是 对于 Style GAN 而言， latent space inception 这一方法可能不太试用，因为 Style GAN 网络系列的训练方法不同，但是针对 StyleGAN 的 Style 和 Noise 部分，我们往往可以做 Style Mixing 和 Noise 不同层之间的去除操作。
StyleMixing 进行查看网络效果
Noise 影响的方法查看
添加 Noise 与否的区别
2. Inception Score(IS)
\(\quad\) Inception Score 是 生成对抗网络之父 Ian J. Goodfellow 于 2016 年在Improved Techniques for Training GANs 论文中提出。因使用人工打分衡量图片生成质量的好坏，极容易受到人为主观因素的影响（尤其是存在反馈时），而且过于消耗资源。因此作者提出了 Inception Score。
\(\quad\) Inception Score，简称 IS，他的计算方法主要如下所示：
首先，我们选取一个网络模型Model，作者 Ian 选取的是 Inception Model，这也是 Inception Score 名称的由来（但事实上，你几乎可以选择任意一个model），将 Inception Model 在训练数据集（也可以是训练数据集+验证数据集+测试数据集）进行训练，得到训练完成的模型
然后，我们使用 GAN 网络生成的一系列图片，暂且称之为 fake_images
然后我们使用预训练的模型 Inception Model 去判断生成对抗网络生成的每一张图片 fake_image，当 Inception model 预测 每一张 fake_image 为低熵的时候，也就是其中某一个类别 \(p(y_i|\bold {x})\)有着很大的概率时候，Inception Model预测该图片置信度高，我们便认为该图片有着很高的生成质量。同时，我们还希望图片有着较高的多样性，也就是说我们希望 fake_images 的种类均衡，比如说 GAN 生成5个类别，那么最好生成的 fake_image 中五个类别各占有 20% 的比例，\(\int p(y|\bold x=G(z)) {\rm d}z\) 有着高熵，也就是说每一个类别 \(\int p(y_i|\bold x=G(z)) {\rm d}z\) 概率都要尽可能相等，分布均匀，也就是说多样性尽可能的好。
通知，为了方便定量分析，Ian 将衡量图片生成质量和图片多样性的指标合二为一，记为 \(\exp ({\rm E}_x {\rm \bold {KL}}(p(y|\bold x)||p(y)))\)， KL 表示 KL divergence \(D_{KL}(P||Q)=\sum P(x)log(\frac{P(x)}{Q(x)})\)，用于衡量两个分布之间的距离， \(p(y|\bold x)\) 和 \(p(y)\) 都是关于 \(y\) 变量的分布，我们希望他们之间的距离越大越好，即 Inception Score 越大越好。
当我们 GAN 网络生成的图片为单一类别的时候，\(\int p(y|\bold x=G(z)) {\rm d}z\) 便无法衡量图片的多样性。但是我们仍然可以使用 \(p(y_i|\bold {x})\)来衡量图片生成的质量，比如，我们进行人脸检测过程中，可以使用 人脸检测的置信度，来作为 \(p(y_i|\bold {x})\)，可以近似的将图片中存在可识别人脸，和图片中不存在可识别人脸看作是两个类别。但是，显然，不能将两个类别用于评估图片生成多样性，因为这根本不是我们需要的图片多样性。
实验中，Ian 发现 IS 衡量指标和人们主观判断有着一致性，是生成对抗网络非常好的衡量方法。
3. Fréchet Inception Distance(FID)
Fréchet Inception Distance，简称 FID 也是衡量生成图像的多样性和质量的重要方法，相比于 Inception Score， FID 更注重于图片生成多样性的审查， Inception Score 更注重于图片生成质量，因此两者常常搭配使用。
和 Inception Score 相比，计算FID中同样使用Inception network网络，当然可以是任意网络，因此此处 Inception Score 所起到的作用仅仅是提取特征，通过判断原始图片数据集 (real_images) 和生成图片数据集 （fake_images） 在特征空间上分布的距离，来衡量 GAN 生成图片的质量以及多样性，衡量特征空间上 特征分布的距离，数学上往往使用 Wasserstein-2 distance 或 Frechet distance。
假设，我们从 Inception Model 中提取了 n 维特征，我们假设 real_images 在 n 维度特征上的分布均值为\(\mu_r\)，协方差为\(\sum_r\)，fake_images 在 n 维度特征上的分布均值为\(\mu_f\)，协方差为\(\sum_f\)，那么 FID计算公式为
\({\rm FID}(real, fake)=||\mu_r-\mu_f||_2^2+{\rm Tr}(\sum_r+\sum_f-2(\sum_r \sum_f)^{\frac {1}{2}})\)， 公式中 Tr 表示矩阵对角线上元素的总和，也称为 迹（trace）
较低的FID意味着两个分布之间更接近，也就意味着生成图片的质量较高、多样性较好。 FID对模型坍塌更加敏感。相比较IS来说，FID对噪声有更好的鲁棒性。因为假如只有一种图片时，FID这个距离将会相当的高。因此，FID更适合描述GAN网络的多样性。
4. 分类器性能提高情况
\(\quad\)，以生成对抗网络用于医学图像数据增强为例，假设我们使用 GAN 来生成疾病 A 的图像，来增强图片数据，提高分类器疾病监测的准确性。那么，最为可靠的方法就是通过分类器性能的提升，来判断图片数据增强的效果，也就是 GAN 网络的质量。
首先，我们使用 训练完成的 GAN 网络，生成 fake_images 数据集，将 fake_image 数据集并入到用于疾病分类的网络 DenseNet (也可以是其他网络，如 ResNet 等等)训练集中，通过对比数据增强前，和数据增强后 DenseNet 进行病灶分类的 accuracy, precision, recall, f1-score 等等指标，来定量分析使用 GAN 网络进行医学图像数据增强的效果。
参考文献
Improved Techniques for Training GANs. Tim Salimans, Ian J. Goodfellow. 2016
【深度理解】如何评价GAN网络的好坏？IS（inception score）和FID（Fréchet Inception Distance）
如何求协方差矩阵
协方差矩阵是什么_协方差矩阵计算公式_如何计算协方差矩阵
How to Implement the Frechet Inception Distance (FID) for Evaluating GANs
标签：网络,衡量,生成,GAN,FID,Inception,对抗,图片 来源： https://www.cnblogs.com/lucky-light/p/16222453.html