写在前面

科研需要  
    
    
    
，对GAN生成的图片要做定量评价

     


     


     


    ，因此总结一些自己要用到的一些评价指标  
    
    
    
。

FID

官方链接：https://github.com/mseitzer/pytorch-fid

描述：FID越小 




 




 




 


，表示生成图片越多样    
    
    
    、质量越好

     


     


     


    。

步骤：

（1）先下载pytorch-fid pip install pytorch-fid

（2）执行命令

python -m pytorch_fid path/dataset1/test/images path/dataset2/test/images

参数：

path/dataset1/test/images是真实图像路径

path/dataset2/test/images是生成图像路径

注意：

有个额外的参数--dims N  

   

   

   

，其中 N 是特征的维度

     

     

     

   ，一共有64   


     


     


     


、192



 




 




 




、768   

   

   

   、2048(默认)这四种  




  




  




  

，表示的是使用Inception的哪一层去测试  


  


  


  


，一般默认都是2048即最终平均池化特征去测试 




 




 




 


。

但是官方说如果测试的样本少于2048个可以用–dims这个参数
     
     
     
  ，但这会改变FID分数的大小
   




   




   




   
，因此只有–dims相同时跑出来的分数才有可比性  

   

   

   

。

不过我看TensorFlow那边的FID说 



 



 



 



，建议使用10,000的最小样本量来计算 FID                 ，否则会低估生成器的真实FID

     

     

     

   。所以如果样本量太少建议不使用FID这个指标  




  




  




  

。

LPIPS

官方链接：https://github.com/richzhang/PerceptualSimilarity

描述：LPIPS越高意味着图片与原图更多不同

    




    




    




    ，越低意味着与原图更相似

步骤：

（1）下载LPIPS代码

（2）执行命令 python lpips_2dirs.py -d0 imgs/ex_dir0 -d1 imgs/ex_dir1 -o imgs/example_dists.txt --use_gpu

参数：

-d0是真实图像路径

-d1是生成图像路径

-o是输出的结果保存位置

MS-SSIM

链接：https://blog.csdn.net/m0_63642362/article/details/123297405

描述：接近1的值表示更好的图像质量



















，接近0的值表示较差的质量

代码

把生成图片放在imgs/fake_img路径下                 ，把真实图片放在imgs/real_img路径下

     



     



     



     ，然后运行即可 import os import cv2 import paddle from paddle_msssim import ssim, ms_ssim def file_name(file_dir): img_path_list = [] for root, dirs, files in os.walk(file_dir): for file in files: img_path_list.append((os.path.join(root, file),file)) return img_path_list def imread(img_path): img = cv2.imread(img_path) return paddle.to_tensor(img.transpose(2, 0, 1)[None, ...], dtype=paddle.float32) if __name__ == __main__: file_dir = imgs/fake_img # 伪造图像路径 target_dir = imgs/real_img # 真实图像路径 img_path_list = file_name(file_dir) target_path_list = file_name(target_dir) d = 0 for i in range(img_path_list.__len__()): (img_path, img_name) = img_path_list[i] (target_path, target_name) = target_path_list[i] print(img_path) print(target_path) fake = imread(img_path) real = imread(target_path) distance = ms_ssim(real, fake).cpu().numpy() print(distance) d += distance print(average ms_ssim) print(d/img_path_list.__len__())

写在后面

你笑我徒劳


















，而我一个人在路上  
    
    
    
，走完的四季

     


     


     


    ，确实你永远体会不到的风景  


  


  


  


。

-----《愿有人陪你颠沛流离》