face

1、指标
假定 Feval(X)输出图片X的 id 特征向量,Fstyle(X)输出图片X的 风格 特征向量
Uniqueness:对于一堆图片,衡量图片里面有几个人,值记为 U;如果已知有C个人了,每个人分别有一堆照片,可以衡量人和人之间的像的程度,值记为 Uclass,值越小,说明这C个人越存在相似度
对于Uclass的计算:
C代表实际共有多少人(label),首先对C个人:X1,X2,...XC,每个人Xi分别通过 Feval 模型生成10张(或者C1 2张,C2 10张...)特征向量,然后计算这10张的平均特征向量,作为人的中心特征向量
此时得到了C个人的各自的平均特征向量 fc,d(f1,f2)用于衡量两个向量的距离,r 是一个阈值,| Uc | 是模型评测有多少人

图片生成器评估:利用图片生成器对每个人分别生成n张(不同人也可以张数不同)图片,计算Uclass,越接近1越好,说明图片生成器能够衡量人与人之间的差别

 

Cintra Consistency:平均的类内间距

 

我的 Cintra Consistency:就是将Cintra的中心特征向量换成了原图的特征向量,它用于衡量同一个人的所有图片的 id 相似性

详细:如果已知有C个人了,每个人分别有一堆照片,对于人c1,先通过 Feval 模型生成他对应的特征向量们,原图通过 Feval 模型生成他的中心特征fc,计算fc与这些向量的平均距离,再对C个人的平均距离再算平均距离

图片生成器评估:利用图片生成器对每个人分别生成n张(不同人也可以张数不同)图片,计算我的 Cintra,越低越好,说明图片生成器能够控制住原图的 id 特征

我的 Cintra Diversity:评估同一个人的所有图片的风格变换,值越大越好,说明风格差异很大

图片生成器评估:利用图片生成器对每个人分别生成n张(不同人也可以张数不同)图片,每个图片通过Fstyle生成对应的风格特征向量,此时1个人就有了N个风格特征向量了,计算N个向量的距离矩阵,把矩阵的右上角(不要对角线)的距离全部加起来再求平均,得到这个人的风格化差异值,再求所有人的平均值,值越大越好,即风格越多样,说明图片生成器能够生成多样化的图片

 2、adaface

 

 

posted @ 2023-04-22 23:40  Jary霸  阅读(28)  评论(0编辑  收藏  举报