条件生成对抗网络与智能辅导系统数据收集的研究进展

### 条件生成对抗网络与智能辅导系统数据收集的研究进展 在图像转换和智能辅导系统领域，有两项重要的研究值得关注。一是关于条件生成对抗网络（cGANs）在图像转换中的应用评估，二是智能辅导系统中针对学习障碍学生的数据收集模型比较。 #### 条件生成对抗网络（cGANs）的评估结果 - **Frechet Inception距离和核Inception距离** - **评估指标**：Bit Inception距离（KID）和Frechet Inception距离（FID）是评估图像到图像翻译执行效果的两个最受认可的估计方法。较低的距离分数表明翻译后的图片与目标区域的图片更相似。 - **计算步骤**：对于非方形的CelebA图片，首先将它们调整大小以进行256×256的中心裁剪，使面部具有相似的视角比例。所有KID和FID的计算都委托给开源的torch - fidelity包。如果有预训练模型，使用预训练模型；否则，按照提供的超参数配置重新训练。 | GANS使用情况 | Selfie2Anime - FID | Selfie2Anime - KID | Anime2Selfie - FID | Anime2Selfie - KID | | --- | --- | --- | --- | --- | | DCGAN | 99.8 | 3.22 ± 0.26 | 128.6 | 3.49 ± 0.33 | | CycleGAN | 91.9 | 2.74 ± 0.26 | 126.0 | 2.57 ± 0.32 | | PatchGAN | 82.8 | 7.34 ± 0.75 | 125.0 | 5.41 ± 0.41 | - **核密度估计（KDE）** - **公式**：KDE广泛用于评估基于解码器的模型，其公式为 \(f (x) = \frac{1}{nh}\sum_{k = 1}^{n}K(\frac{x - x_k}{h})\)。 - **精度分析**：通过与退火重要性采样（AIS）对比来分析KDE估计的精度。AIS和KDE都是对真实对数概率的随机下限估计，较大的值（大概率）更准确。对于每个评估器，改变一个影响计算预算的参数，对于AIS是中间分布的数量，对于KDE是测试的数量。结果表明，AIS评估器在相似的评估时间内实现了更精确的评估，而KDE估计似乎趋于平稳，即使使用更多的样本也无法获得准确的结果。 | Nats | AIS | AIS + encoder | IWAE bound | #dist AIS | #dist AIS + encoder | IWA | | --- | --- | --- | --- | --- | --- | --- | | | -64.679 | -56.754 | -82.962 | 789 | 75 | E | | | -66.619 | -59.621 | -80.494 | 8559 | 888 | | - **FCN逐像素比较** - **评估方法**：评估生成图片的质量是一项具有挑战性的任务。传统的逐像素均方误差等指标不考虑结果的联合信息，因此不能反映协调错误试图描述的改进。使用两种系统来更全面地评估结果的视觉质量：一是亚马逊机械土耳其人（AMT）提供的“真实与误导”辨别测试，用于评估指南创建、航空照片生成和图片着色；二是调查工程化的Cityscapes是否足够合理，以便现成的对象识别框架能够识别其中的事物。 - **测试过程**：在AMT测试中，参与者会看到一系列试验，每个试验中他们需要在“真实”图片和算法生成的“虚假”图片之间进行选择。每张图片显示1秒后消失，参与者有无限的时间来判断哪张是真实的。 | Loss | Per - pixel acc | | --- | --- | | Ground truth | 0.80 | | L1 + cGAN | 0.66 | | L1 + GAN | 0.64 | | cGAN | 0.57 | | GAN | 0.22 | | L1 | 0.42 | - **