PulseAugur
中
实时 09:10:42
English(EN) Representation Fréchet Loss for Visual Generation

研究人员提出 FD-loss 以优化表示空间中的视觉生成

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员引入了一种新的训练目标 FD-loss，它优化了视觉生成在表示空间中的 Fréchet 距离 (FD)。该方法将 FD 估计的总体大小与梯度计算使用的批次大小分离开来。将 FD-loss 应用于现有生成器已显示出视觉质量的提高，使用 Inception 特征空间的单步生成器在 ImageNet 256x256 上达到了 0.72 FID。 AI

影响 引入了一种新颖的训练目标，可能会提高生成模型的视觉生成质量和评估指标。

排序理由 介绍视觉生成新方法的学术论文。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

研究人员提出 FD-loss 以优化表示空间中的视觉生成

报道来源 [2]

  1. arXiv cs.CV TIER_1 English(EN) · Jiawei Yang, Zhengyang Geng, Xuan Ju, Yonglong Tian, Yue Wang ·

    用于视觉生成的表示 Frechet 损失

    arXiv:2604.28190v1 Announce Type: new Abstract: We show that Fr\'echet Distance (FD), long considered impractical as a training objective, can in fact be effectively optimized in the representation space. Our idea is simple: decouple the population size for FD estimation (e.g., 5…

  2. arXiv cs.CV TIER_1 English(EN) · Yue Wang ·

    用于视觉生成的表示弗雷歇损失

    We show that Fréchet Distance (FD), long considered impractical as a training objective, can in fact be effectively optimized in the representation space. Our idea is simple: decouple the population size for FD estimation (e.g., 50k) from the batch size for gradient computation (…

相关实体

相关话题