face

1、指标

假定 Feval（X）输出图片X的 id 特征向量，Fstyle（X）输出图片X的 风格 特征向量

Uniqueness：对于一堆图片，衡量图片里面有几个人，值记为 U；如果已知有C个人了，每个人分别有一堆照片，可以衡量人和人之间的像的程度，值记为 Uclass，值越小，说明这C个人越存在相似度

对于Uclass的计算：

C代表实际共有多少人（label），首先对C个人：X1,X2,...XC，每个人Xi分别通过 Feval 模型生成10张（或者C1 2张，C2 10张...）特征向量，然后计算这10张的平均特征向量，作为人的中心特征向量

此时得到了C个人的各自的平均特征向量 fc，d(f1,f2)用于衡量两个向量的距离，r 是一个阈值，| Uc | 是模型评测有多少人

图片生成器评估：利用图片生成器对每个人分别生成n张（不同人也可以张数不同）图片，计算Uclass，越接近1越好，说明图片生成器能够衡量人与人之间的差别

 

Cintra Consistency：平均的类内间距

 

我的 Cintra Consistency：就是将Cintra的中心特征向量换成了原图的特征向量，它用于衡量同一个人的所有图片的 id 相似性

详细：如果已知有C个人了，每个人分别有一堆照片，对于人c1，先通过 Feval 模型生成他对应的特征向量们，原图通过 Feval 模型生成他的中心特征fc，计算fc与这些向量的平均距离，再对C个人的平均距离再算平均距离

图片生成器评估：利用图片生成器对每个人分别生成n张（不同人也可以张数不同）图片，计算我的 Cintra，越低越好，说明图片生成器能够控制住原图的 id 特征

我的 Cintra Diversity：评估同一个人的所有图片的风格变换，值越大越好，说明风格差异很大

图片生成器评估：利用图片生成器对每个人分别生成n张（不同人也可以张数不同）图片，每个图片通过Fstyle生成对应的风格特征向量，此时1个人就有了N个风格特征向量了，计算N个向量的距离矩阵，把矩阵的右上角（不要对角线）的距离全部加起来再求平均，得到这个人的风格化差异值，再求所有人的平均值，值越大越好，即风格越多样，说明图片生成器能够生成多样化的图片

 2、adaface