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_ssimdef 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 = 0for 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》

GAN评价指标代码(FID、LPIPS、MS-SSIM)相关推荐

【语义分割】评价指标代码函数：np.sum()、np.nansum()、np.nanmean()、np.diag()、np.bincount()
引言本文针对: [语义分割]评价指标:PA.CPA.MPA.IoU.MIoU详细总结和代码实现(零基础从入门到精通系列!)中实现评价指标代码里相关函数进行补充说明,包括:np.sum().np.na ...
图像增强评价指标学习之——结构相似性SSIM
SSIM(structural similarity index),结构相似性,是一种衡量两幅图像相似度的指标.该指标首先由德州大学奥斯丁分校的图像和视频工程实验室(Laboratory for Im ...
pytorch训练GAN的代码（基于MNIST数据集）
论文:Generative Adversarial Networks 作者:Ian J. Goodfellow 年份:2014年从2020年3月多开始看网络,这是我第一篇看并且可以跑通代码的论文,简 ...
电荷负载分解（NILM）评价指标代码详解
有关NILM中的评价指标的解释请看我们另外一篇博文 ,下面简单解释一下代码实现,代码为python版本. import numpy as npdef tp_tn_fp_fn(states_pred, ...
plt生成固定的colormap_白话生成对抗网络GAN及代码实现
本文主要是个简单的笔记,参考资料来自下面三部分 Tutorial_HYLee_GAN Renu Khandelwal 的博客 Jason 的博客神经网络一览各种神经网络(全连接前向网络.卷积神经网 ...
显著性检测的评价指标代码
包括MAE.Pre.Rec.F-measure.Auc.CC.Nss MAE: 平均绝对误差MAE(mean absolute error),范围[0,+∞),当预测值与真实值完全吻合时等于0,即完美 ...
deeplabv3+ 论文相关参数代码解析 Flip MS SC random crop
目录 1.Flip 2. multi_scale input eval 3.SC 在aspp与deconv采用seperate conv multi_scale 的参数传递是: 另外,如果batch ...
图像质量评价指标FID、LPIPS、NIQE及其代码
文章目录 FID LPIPS NIQE FID FID的全称是Fréchet Inception Distance,用于衡量两个多元正态分布的距离,数值越小越好.具体的,FID使用Inception ...
生成对抗网络GAN论文总结+复现代码(已完成27篇，未完待续。。。)
GAN论文学习心得写在前面 (GAN)Generative Adversarial Networks (CGAN)Conditional Generative Adversarial Nets (D ...
gan怎么输入一维数据_GAN评价指标最全汇总
本文首发于微信公众号:有三AI 作者:小米粥最近一部分的内容将会比较容易,将和大家一起讨论GAN的评价指标.在判别模型中,训练完成的模型要在测试集上进行测试,然后使用一个可以量化的指标来表明模型训练 ...

GAN评价指标代码(FID、LPIPS、MS-SSIM)

GAN评价指标代码(FID、LPIPS、MS-SSIM

写在前面

FID

LPIPS

MS-SSIM

写在后面

GAN评价指标代码(FID、LPIPS、MS-SSIM)相关推荐

最新文章

热门文章