GAN 평가

PyTorch로 배우는 이미지 딥러닝

Michal Oleszak

Machine Learning Engineer

이미지 생성

num_images_to_generate = 9
noise = torch.randn(num_images_to_generate, 16)

with torch.no_grad():
    fake = gen(noise)

print(f"Generated shape: {fake.shape}")

Generated shape: torch.Size([9, 3, 96, 96])

for i in range(num_images_to_generate):

    image_tensor = fake[i, :, :, :]

    image_permuted = image_tensor.permute(1, 2, 0)

    plt.imshow(image_permuted)
    plt.show()

무작위 노이즈 텐서 생성
노이즈를 생성기에 전달
이미지 수만큼 반복
fake에서 i번째 이미지 슬라이싱
이미지 차원 재배열
이미지 표시

GAN 생성물

GAN이 생성한 포켓몬 이미지 샘플.

프레셰 인셉션 거리

Inception: 이미지 분류 모델
프레셰 거리: 두 확률분포 간 거리 측도
프레셰 인셉션 거리(FID):
1. Inception으로 실제/가짜 이미지에서 특성 추출
2. 실제/가짜 특성의 평균과 공분산 계산
3. 두 정규분포 간 프레셰 거리 계산
FID 낮음 = 가짜가 학습 데이터와 유사하고 다양함
FID < 10 = 우수

PyTorch에서 FID

from torchmetrics.image.fid import \
FrechetInceptionDistance


fid = FrechetInceptionDistance(feature=64)


fid.update(
  (fake * 255).to(torch.uint8), real=False)

fid.update(
  (real * 255).to(torch.uint8), real=True)


fid.compute()

tensor(7.5159)

FrechetInceptionDistance 임포트
FID 메트릭 생성
가짜 이미지로 메트릭 업데이트:
- 255를 곱함
- torch.uint8로 캐스팅
실제 이미지로도 동일하게 업데이트
메트릭 값 계산

Let's practice!

PyTorch로 배우는 이미지 딥러닝