25、生成对抗网络输出分辨率提升方法及实验分析

生成对抗网络输出分辨率提升方法及实验分析

1. 分割得分与用户反馈

在图像分割模型的评估中，对不同特征的分割得分进行了统计，具体数据如下表所示：
| Feature | Model accuracy (%) | Reference set | Blind set |
| — | — | — | — |
| House (Wood) | 90.5 | 0.547 | 0.379 |
| Path | 89.8 | 0.745 | 0.459 |
| Tree | 88.2 | 0.583 | 0.484 |
| Water (Shallow) | 78.2 | 0.609 | 0.522 |
| House (Thatch) | 78.2 | 0.310 | 0.192 |
| Grass (Light) | 78.1 | 0.690 | 0.672 |
| Remaining features | 52.2 (0.3–71.8%) | 0.15 (0.00–0.50) | 0.06 (0.00–0.48) |

这些得分是相应特征和相应集合的Jaccard指数和Dice得分的平均值。同时，通过调查发现，大多数受访者（78%）对生成的地图给出了3分或4分（满分5分），平均用户意见得分为3.53。而且，在一小部分但具有代表性的地图样本中，受访者仅在27%的情况下识别出由AI纹理处理的地图，53%的情况下将其与手绘地图混淆，其余20%的情况下与付费幻想地图制作软件生成的地图混淆。

2. 算法参数实验

算法的主要两个参数是渲染的层数和基础平铺因子。对于每一层，细分的图块数量会增加。例如，当