画像合成システムが真正に「オリジナル」な画像を生成しているかどうかを判断する方法

韓国の新しい研究では、画像合成システムが真正に新しい画像を生成しているか、または「マイナー」な変種を生成しているかどうかを判断する方法を提案している。このようなアーキテクチャの目的（新しい画像の生成など）を達成するために、既存のメトリックは、トレーニングデータセット内の画像に近い画像を好むように強制されることが多い。

実際、生成された画像がソースデータに「視覚的に近い」場合、必ずしも「真正性」よりも「独創性」のスコアが高いとは限らない。なぜなら、生成された画像は「忠実」ではあるが、インスピレーションに欠けるからである。

この問題は、画像合成システムがトレーニングデータセット内の画像に近い画像を生成する傾向があるため、生成された画像がソースデータから十分に異なっていない可能性があることを意味する。特に、研究セクターで使用されている人気のあるWebスクレイピングデータセットは、著作権で保護された画像で溢れていることが多いため、この問題は法的な問題となる可能性がある。

OpenAIのDALL-E 2、GoogleのImagen、中国のCogViewなどのシステムからの出力は、ますます一貫性があり、意味的に堅固な画像を生成している。しかし、これらの画像の独創性を信頼性高くテストするための事後的な方法はほとんどない。

実際、DALL-E 2の新しい画像を検索することは、同じ画像のさらに多くのインスタンスにしかつながらないことが多い。Googleの画像検索では、画像の主題に基づいて検索するのではなく、画像の構造に基づいて検索することが多い。

一方、Yandexは、実際の画像の特徴を使用して検索することが多いため、より関連性の高い結果を返すことができる。

この問題に対処するために、KAIST AIとNAVER Corpの研究者は、画像合成システムが生成する画像の希少性を評価するための新しいメトリック「希少性スコア」を開発した。

この新しいメトリックは、K-Nearest Neighbors（KNN）アルゴリズムを使用して、トレーニングデータセット内の画像と生成された画像の特徴を表現する。結果は、希少性スコアが、従来のメトリックよりも、生成された画像の独創性をよりよく捉えることができることを示している。

この研究は、画像合成システムが生成する画像の独創性を評価するための新しいアプローチを提供し、画像生成の分野における新しい可能性を示唆している。

「安い手法」を超えて

この研究では、従来のメトリックの限界を超えて、画像合成システムが生成する画像の独創性を評価するための新しいアプローチを提案している。特に、Truncation Trickという手法は、生成された画像がトレーニングデータセット内の画像に近い画像を生成する傾向があることを示している。

しかし、この研究では、Truncation Trickは、生成された画像の独創性を評価するための十分なメトリックではないことを示している。代わりに、希少性スコアを使用することで、画像合成システムが生成する画像の独創性をよりよく評価することができる。

技術

この研究では、KNNアルゴリズムを使用して、トレーニングデータセット内の画像と生成された画像の特徴を表現する。結果は、希少性スコアが、従来のメトリックよりも、生成された画像の独創性をよりよく捉えることができることを示している。

このアプローチは、画像合成システムが生成する画像の独創性を評価するための新しい方法を提供し、画像生成の分野における新しい可能性を示唆している。

比較と実験

この研究では、希少性スコアを使用して、画像合成システムが生成する画像の独創性を評価するための実験を実施した。結果は、希少性スコアが、従来のメトリックよりも、生成された画像の独創性をよりよく捉えることができることを示している。

この研究は、画像合成システムが生成する画像の独創性を評価するための新しいアプローチを提供し、画像生成の分野における新しい可能性を示唆している。

限られたタスクを超えて

この研究は、画像合成システムが生成する画像の独創性を評価するための新しいアプローチを提供し、画像生成の分野における新しい可能性を示唆している。特に、画像合成システムが生成する画像の独創性を評価するための新しいメトリックを開発することで、画像生成の分野における新しい可能性を示唆している。

この研究は、画像合成システムが生成する画像の独創性を評価するための新しいアプローチを提供し、画像生成の分野における新しい可能性を示唆している。