Enhancing Plausibility Evaluation for Generated Designs with Denoising Autoencoder

要約

ジェネレーティブ デザインにディープ ジェネレーティブ モデル (DGM) を使用することに大きな関心が集まっています。
生成された設計の品質を評価するとき、人間の設計者は、画像内のノイズなどの視覚的なアーティファクトよりも、構造的な妥当性、たとえばコンポーネントの欠落がないことに重点を置きます。
一方、Fr\’echet Inception Distance (FID) などの一般的に使用される指標は、構造的な不合理性ではなく視覚的なアーティファクトにペナルティを与える傾向があるため、正確に評価できない可能性があります。
そのため、FID はジェネレーティブ デザイン タスクの DGM のパフォーマンスを評価するのには適していない可能性があります。
この研究では、単純なノイズ除去オートエンコーダ (DAE) を使用して入力設計をエンコードし、その潜在空間内の分布距離を測定することを提案します。
私たちは、FID を使用した DAE ベースのメトリクスと、3 つのデータセットに関するその他の最先端のメトリクスを実験的にテストします。FID や、FD$_\text{DINO-V2}$ やトポロジ距離などの最近の研究と比較しています。
, DAE ベースのメトリクスは、信じられない構造を効果的に検出でき、人間の専門家による構造検査とより一貫性があります。

要約(オリジナル)

A great interest has arisen in using Deep Generative Models (DGM) for generative design. When assessing the quality of the generated designs, human designers focus more on structural plausibility, e.g., no missing component, rather than visual artifacts, e.g., noises in the images. Meanwhile, commonly used metrics such as Fr\’echet Inception Distance (FID) may not evaluate accurately as they tend to penalize visual artifacts instead of structural implausibility. As such, FID might not be suitable to assess the performance of DGMs for a generative design task. In this work, we propose to encode the input designs with a simple Denoising Autoencoder (DAE) and measure the distribution distance in the latent space thereof. We experimentally test our DAE-based metrics with FID and other state-of-the-art metrics on three data sets: compared to FID and some more recent works, e.g., FD$_\text{DINO-V2}$ and topology distance, DAE-based metrics can effectively detect implausible structures and are more consistent with structural inspection by human experts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google