為了深入了解 GAN 生成圖像的多樣性，我們通過(guò)大小不同的生成圖像數(shù)據(jù)集得到了 GAN-train 準(zhǔn)確率，將其與根據(jù)相應(yīng)大小的真實(shí)數(shù)據(jù)訓(xùn)練得到的分類器的驗(yàn)證準(zhǔn)確率相比較。如果所有的生成圖像都是完美的，GAN-train 的 S_g（其中 GAN-train 等于小尺寸訓(xùn)練集的驗(yàn)證精度）的大小將會(huì)是 S_g 中不同圖像數(shù)量的良好估計(jì)。我們?cè)趯?shí)踐中觀察到，在 GAN 生成樣本數(shù)量確定的情況下，GAN-train 準(zhǔn)確率是飽和的（見第 5.3 節(jié)中的圖 4（a）和 4（b））。這是一種度量 GAN 多樣性的方法，與 [32] 中的召回率相似，都是度量 GAN 覆蓋的數(shù)據(jù)流形的分?jǐn)?shù)的方法。

5. 實(shí)驗(yàn)

表 1：CIFAR10 實(shí)驗(yàn)。IS：越高越好。FID 和 SWD：越低越好。為了提高可讀性，此處的 SWD 值擴(kuò)大了 1000 倍。GAN-train 和 GAN-test 是以百分比形式給出的準(zhǔn)確率（越高越好）。

圖 3：第一列：SNGAN 生成的圖像。其他列：來(lái)自 CIFAR10“train”的 5 幅圖像，最接近基線 CIFAR10 分類器特征空間中第一列的 GAN 圖像。

表 2：CIFAR100 實(shí)驗(yàn)。細(xì)節(jié)參考表 1 標(biāo)題。

表 3：ImageNet 實(shí)驗(yàn)。SNGAN* 指經(jīng)過(guò) 850k 次迭代訓(xùn)練得到的模型。細(xì)節(jié)參考表 1 標(biāo)題。

圖 4：改變生成圖像數(shù)據(jù)集大小對(duì) GAN-train 準(zhǔn)確率產(chǎn)生的影響。為了便于比較，我們還展示改變真實(shí)圖像訓(xùn)練數(shù)據(jù)集大小對(duì)結(jié)果（藍(lán)色曲線）產(chǎn)生的影響（最好以 pdf 格式查看）。

圖 5：用真實(shí)圖像和 SNGAN 生成的圖像結(jié)合的數(shù)據(jù)集訓(xùn)練分類器的結(jié)果。

表 4：用縮減的真實(shí)圖像數(shù)據(jù)集訓(xùn)練的 SNGAN 的數(shù)據(jù)強(qiáng)化。在真實(shí)圖像數(shù)據(jù)集或真實(shí)圖像和 SNGAN 生成的圖像相結(jié)合的數(shù)據(jù)集（real+GAN）上訓(xùn)練得到的分類器。分類器準(zhǔn)確率以百分?jǐn)?shù)形式表示。