PyTorch 的 FID 分数

这是 Fréchet Inception Distance 官方实现的 PyTorch 移植版本。请参阅 https://github.com/bioinf-jku/TTUR 查看使用 Tensorflow 的原始实现。

FID 是衡量两个图像数据集之间相似度的指标。研究表明，它与人类对视觉质量的判断具有良好的相关性，并且最常用于评估生成对抗网络（Generative Adversarial Networks）样本的质量。 FID 是通过计算拟合到 Inception 网络特征表示的两个高斯分布之间的 Fréchet distance 来计算的。

关于 FID 分数的进一步见解和独立评估，可以在 Are GANs Created Equal? A Large-Scale Study 中找到。

权重和模型与 the official Tensorflow implementation 完全相同，并经过测试，可得出非常相似的结果（例如，在 LSUN 上使用 ProGAN 生成的图像，绝对误差为 .08，相对误差为 0.0009）。然而，由于图像插值实现和库后端的差异，FID 结果仍与原始实现略有不同。因此，如果您在论文中报告 FID 分数，并希望它们与其他论文中报告的 FID 分数完全可比，您应考虑使用 the official Tensorflow implementation。

安装

从 pip 安装：

pip install pytorch-fid

Requirements:

python3
pytorch
torchvision
pillow
numpy
scipy

用法

要计算两个数据集之间的 FID 分数，其中每个数据集的图像包含在单独的文件夹中：

python -m pytorch_fid path/to/dataset1 path/to/dataset2

要在 GPU 上运行评估，请使用标志 --device cuda:N，其中 N 是要使用的 GPU 的索引。

使用不同的层作为特征图

与官方实现不同，您可以选择使用 Inception 网络的不同特征层，而不是默认的 pool3 层。由于较低层的特征仍然具有空间范围，因此在估计均值和协方差之前，特征首先通过全局平均池化转换为向量。

如果您想要比较的数据集少于通常所需的 2048 张图像，这可能很有用。请注意，这会改变 FID 分数的量级，您不能将其与在另一个维度上计算得出的分数进行比较。所得分数也可能不再与视觉质量相关。

您可以使用标志 --dims N 来选择要使用的特征维度，其中 N 是特征的维度。选项如下：

64: 第一个最大池化特征
192: 第二个最大池化特征
768: 辅助分类器之前的特征
2048: 最终平均池化特征（这是默认值）

从数据集生成兼容的 `.npz` 归档

一个常见的用例是将多个模型与原始数据集进行比较。为了避免在原始数据集上多次训练，还可以从数据集生成兼容的 .npz 归档。这是通过使用之前提到的任意组合的参数，并添加 --save-stats 标志来实现的。例如：

python -m pytorch_fid --save-stats path/to/dataset path/to/outputfile

然后，输出文件可用于替代原始数据集的路径，以进行进一步的比较。

引用

如果您在研究中使用此仓库，请考虑使用以下 Bibtex 条目进行引用：

@misc{Seitzer2020FID,
  author={Maximilian Seitzer},
  title={{pytorch-fid: FID Score for PyTorch}},
  month={August},
  year={2020},
  note={Version 0.3.0},
  howpublished={\url{https://github.com/mseitzer/pytorch-fid}},
}

许可证

本实现采用 Apache License 2.0 许可。

FID 由 Martin Heusel、Hubert Ramsauer、Thomas Unterthiner、Bernhard Nessler 和 Sepp Hochreiter 在 "GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium" 中提出，参见 https://arxiv.org/abs/1706.08500

原始实现由 JKU Linz 生物信息学研究所提供，采用 Apache License 2.0 许可。参见 https://github.com/bioinf-jku/TTUR.

PyTorch 的 FID 分数

安装

用法

使用不同的层作为特征图

从数据集生成兼容的 .npz 归档

引用

许可证

从数据集生成兼容的 `.npz` 归档