Global-Local Image Perceptual Score (GLIPS): Evaluating Photorealistic Quality of AI-Generated Images

本文介绍了全球-局部图像感知评分（GLIPS），这是一种图像度量，旨在评估人工智能生成的图像的逼真程度，并与人类视觉感知高度一致。传统度量方法如FID和KID得分与人类评估不太一致。所提出的度量方法结合了先进的基于变压器的注意机制，以评估局部相似性和最大平均差异（MMD）来评估全局分布相似性。为了评估GLIPS的性能，我们进行了关于逼真图像质量的人类研究。在各种生成模型上进行的全面测试表明，GLIPS在与人类评分相关性方面始终优于现有的度量方法，如FID、SSIM和MS-SSIM。此外，我们引入了插值分箱比例尺（IBS），这是一种精细的缩放方法，通过更紧密地与人类评估标准对齐，提高了度量分数的可解释性。所提出的度量方法和缩放方法不仅提供了更可靠的AI生成图像评估，还为未来的图像生成技术提供了改进的途径。

GLIPS论文旨在解决评估人工智能生成图像的真实感质量时，传统指标与人类视觉评估之间存在差异的问题。

GLIPS使用基于Transformer的注意机制来评估局部相似性，利用最大均值差异（MMD）评估全局分布相似性，从而更接近于人类视觉评估。

论文通过人类研究验证了GLIPS在评估真实感图像质量方面的可靠性，并提出了一种新的评分方法IBS来更好地解释GLIPS评分。GLIPS的性能优于传统指标如FID、SSIM和MS-SSIM。

相关研究包括FID、SSIM和MS-SSIM等传统指标，以及其他一些基于深度学习的图像评估方法，如LPIPS和DISTS等。