The Inpaint

Новый показатель редкости, разработанный исследователями, адаптирует использование K-Nearest Neighbors (KNNs) для представления массивов подлинных (обучающих) и синтетических (выходных) данных в системе синтеза изображений. Относительно этого нового метода анализа авторы утверждают: Мы предполагаем, что обычные образцы будут располагаться ближе друг к другу, в то время как уникальные и редкие образцы будут располагаться в пространстве признаков неравномерно.На изображении результатов выше показаны наименьшие расстояния между ближайшими соседями (NNDs) и наибольшие в архитектуре StyleGAN, обученной на FFHQ. Для всех наборов данных образцы с наименьшими NNDs показывают репрезентативные и типичные изображения. Напротив, образцы с наибольшими NND имеют сильную индивидуальность и значительно отличаются от типичных изображений с наименьшими NND. Теоретически, используя эту новую метрику в качестве дискриминатора или, по крайней мере, включив ее в более сложную архитектуру дискриминатора, можно направить генеративную систему от чистого подражания к более изобретательному алгоритму, сохранив при этом существенную связность понятий, которые могут быть критически важны для создания аутентичных изображений (например, «мужчина», «женщина», «автомобиль», «церковь» и т.д.).