摘要
本文提出将近期发展的签名变换（Signature Transform）应用于图像分布相似性度量，并进行了详尽的分析与广泛评估。我们首次开创性地提出了基于均方根误差（RMSE）和平均绝对误差（MAE）的签名度量方法，同时将对数签名（log-signature）作为衡量生成对抗网络（GAN）收敛性的替代指标，这一问题在以往研究中已受到广泛关注。此外，我们率先引入基于统计分析的度量方法，用于评估GAN生成样本分布的拟合优度，该方法兼具高效性与有效性。现有的GAN评估方法通常依赖大量计算，且需在GPU上完成，耗时较长；相比之下，本文方法将计算时间缩短至秒级，且计算在CPU上即可完成，同时保持了相当的评估精度。最后，本文还提出了一种新颖的、适用于该场景的PCA自适应t-SNE数据可视化方法。
代码仓库
decurtoydiaz/signatures
官方
GitHub 中提及
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| image-generation-on-afhq-cat | Stylegan2-ada (NVIDIA pre-trained) | MAE Signature: 45968 MAE log-signature: 22297 RMSE Signature: 61450 RMSE log-signature: 29201 |
| image-generation-on-afhq-dog | Stylegan2-ada (NVIDIA pre-trained) | MAE Signature: 30441 MAE log-signature: 24612 RMSE Signature: 38861 RMSE log-signature: 31686 |
| image-generation-on-afhq-wild | Stylegan2-ada (NVIDIA pre-trained) | MAE Signature: 25578 MAE log-signature: 20359 RMSE Signature: 33306 RMSE log-signature: 26622 |
| image-generation-on-metfaces | t-Stylegan3-ada (NVIDIA pre-trained) | MAE Signature: 19872 MAE log-signature: 13761 RMSE Signature: 30894 RMSE log-signature: 21560 |
| image-generation-on-metfaces | Stylegan2-ada (NVIDIA pre-trained) | MAE Signature: 23428 MAE log-signature: 18071 RMSE Signature: 33247 RMSE log-signature: 25685 |
| image-generation-on-metfaces | r-Stylegan3-ada (NVIDIA pre-trained) | MAE Signature: 22799 MAE log-signature: 16539 RMSE Signature: 34977 RMSE log-signature: 24707 |
| image-generation-on-nasa-perseverance | Stylegan2-ada | MAE Signature: 9086 MAE log-signature: 5717 RMSE Signature: 11601 RMSE log-signature: 7397 |