【技术实现步骤摘要】
本专利技术涉及人工智能ai以及人工智能背景下的评测，尤其涉及一种基于对抗生成网络的ai生成内容质量评测方法及评测系统。
技术介绍
1、在aigc(ai-generated content，人工智能自主生成内容)的进展中，ai的能力已经不仅限于创作内容，还拓宽到自我学习、自我优化，并能理解和回应各种复杂的人类需求。例如，现在的ai绘图工具，除了能够根据输入文本生成图片，还可以根据用户反馈进行优化，并学习特定的绘画风格。更进一步，有些ai绘图工具已经能够理解复杂的场景描述，生成相应的复杂场景图像，甚至创作出超越人类想象力的作品。
2、然而，目前的技术依然存在一些挑战和技术缺陷，具体包括：
3、(1)ai生成的内容质量评价方式仍然存在大量的问题。传统的比对方式如比对ai生成的图像与对应文本的真实照片，其局限性在于这种方式倾向于评价ai内容的“真实性”，而忽视了其“创造性”。当ai生成能力达到一定程度之后，更关心的是其创新性和独特性，这个时候传统的比对方式就显得无力。
4、(2)以人工标注方式进行评价也有一些不足。虽然人工标注可以在一定程度上弥补传统方式只能对比生成内容真实性的缺陷，但它依然存在着人为因素的干扰，例如标注人员的判断标准可能因人而异，导致评价结果的可信度下降。同时，人工标注的效率低，难以满足大规模的内容评价需求。
5、(3)目前的aigc系统大多基于深度学习模型，其黑盒性导致生成内容的可解释性和可控制性较弱。当ai生成的内容出现问题时，往往无法获取其内在的生成逻辑，也无法从模
6、(4)随着ai技术的日益发展，人工智能伦理问题也日益显现，如ai创作的版权归属、ai生成不安全内容的道德责任等问题。这些问题的存在，也为aigc的发展带来了新的挑战。
7、因此，存在寻找更加公正、有效和普适的ai生成内容的评价方式的需求。
技术实现思路
1、为了解决现有技术中存在的问题，本专利技术提供了如下技术方案，一种基于对抗生成网络的ai生成内容质量评测方法和系统，基于生成的对抗生成网络(gan)对ai生成内容进行质量评测。其中，对抗生成网络(gan)由判别器和生成器构成，判别器作为评测器，生成器用于生成待测样本，通过对生成的待测样本的判别结果对生成器的生成能力进行评价。基于对抗生成网络的ai生成内容质量评测系统通过不断地迭代训练自我优化，从而训练出优良的评测器。
2、本专利技术一方面提供了一种基于对抗生成网络的ai生成内容质量评测方法，包括：
3、s1，构建用于评测ai生成内容质量的对抗生成网络，所述对抗生成网络包括多个生成器和判别器；所述多个生成器用于生成多个针对同一输入的待评测的ai生成内容，所述判别器则用于判断所述待评测的ai生成内容的质量；
4、s2，基于所述对抗生成网络生成准确评测ai生成内容质量的模型，包括：迭代所述对抗训练，基于达到第一评价标准确定所述判别器已经自我优化到一个用于准确评价ai生成内容质量的评测质量模型；
5、s3，基于所述评测质量模型评测ai生成内容质量，所述评测的结果包括确定生成内容质量最优的生成器。
6、优选的，对抗生成网络包括与生成器和判别器对应的两个独立的神经网络结构，分别为生成模型g和判别模型d；其中：
7、生成模型g为任意现有的生成模型，用于生成模拟数据；生成模型根据判别模型反馈的结果进行调整训练网络以获得损失最小的生成神经网络参数；
8、判别模型d是一个神经网络分类器，将输入数据进行分类，通过数据分类情况，判断输入的ai生成内容的质量是否良好或者对多个ai生成内容质量进行排序。
9、优选的，对抗生成网络的所述生成模型g和判别模型d采用互相监督的两个多层感知机形成，并基于所述生成模型g和判别模型d进行互相训练；其中，生成模型g进行数据采样并针对数据采样生成符合采样的模拟数据；判别模型d针对生成模型g的生成结果判断ai生成内容的质量，根据所述模拟数据的分布情况，产生所述模拟数据分布的概率。
10、优选的，所述s1包括：
11、s11，构建多个所述生成器；
12、s12，构建一个判别器，用于对多个所述生成器生成的样本内容进行评价；
13、s13，基于判别器与多个生成器进行多轮对抗训练；在每轮对抗训练中，多个生成器各自生成一批样本内容，所述判别器对所有样本内容进行评价。
14、优选的，所述对抗训练基于vit(vision transformer)网络进行。
15、优选的，所述基于达到第一评价标准确定所述判别器已经自我优化到一个用于准确评价ai生成内容质量的评测质量模型包括：
16、若所述ai生成内容为图像或视频，则基于图像或视频与用户生成指令匹配度、图像或视频生成完整度和图像或视频清晰度达到或超过相应阈值确定所述判别器自我优化到一个能够准确评价ai生成内容质量的模型；
17、若所述ai生成内容为声音，则基于声音与用户生成指令匹配度、声音生成完整度、清晰度和连贯性达到或超过相应阈值确定所述判别器自我优化到一个能够准确评价ai生成内容质量的模型；
18、若所述ai生成内容为文字，则基于文字与用户生成指令匹配度、文字生成完整度、与相应语言表达习惯的符合度以及清晰度达到或超过相应阈值确定所述判别器自我优化到一个能够准确评价ai生成内容质量的模型。
19、优选的，所述s13还包括：
20、所述判别器对所有样本内容进行评价并生成评价结果；
21、将所述评价结果反馈给所述多个生成器，从而使得所述多个生成器对所述样本内容进行优化；
22、其中所述将所述评价结果反馈给所述多个生成器，从而使得所述多个生成器对所述样本内容进行优化包括开始所述基于判别器与多个生成器进行多轮对抗训练时，判别模型d根据生成模型的生成情况进行反向传播调整神经网络参数，生成模型g根据判别模型d的预测结果进行反向传播调整神经网络参数，直到函数的整体达到最优情况，结束所述基于判别器与多个生成器进行多轮对抗训练后，所述判别器与多个生成器的性能显著提高。
23、本专利技术的第二方面在于提供一种基于对抗生成网络的ai生成内容质量评测系统，包括：
24、对抗生成网络构建模块，用于构建用于评测ai生成内容质量的对抗生成网络，所述对抗生成网络包括多个生成器和判别器；所述多个生成器用于生成多个针对同一输入的待评测的ai生成内容，所述判别器则用于判断所述待评测的ai生成内容的质量；
25、评测质量模型构建模块，用于基于所述对抗生成网络生成准确评测ai生成内容质量的模型，包括：迭代所述对抗训练，基于达到第一评价标准确定所述判别器已经自我优化到一个用于准确评价ai生成内容质量的评测质量模型；
26、评测模块，用于基于所述评测质量模型评测ai生成内容质量。
27、本专利技术本文档来自技高网...
【技术保护点】
1.一种基于对抗生成网络的AI生成内容质量评测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于对抗生成网络的AI生成内容质量评测方法，其特征在于，对抗生成网络包括与生成器和判别器对应的两个独立的神经网络结构，分别为生成模型G和判别模型D；其中：
3.根据权利要求2所述的一种基于对抗生成网络的AI生成内容质量评测方法，其特征在于，对抗生成网络的所述生成模型G和判别模型D采用互相监督的两个多层感知机形成，并基于所述生成模型G和判别模型D进行互相训练；其中，生成模型G进行数据采样并针对数据采样生成符合采样的模拟数据；判别模型D针对生成模型G的生成结果判断AI生成内容的质量，根据所述模拟数据的分布情况，产生所述模拟数据分布的概率。
4.根据权利要求3所述的一种基于对抗生成网络的AI生成内容质量评测方法，其特征在于，所述S1包括：
5.根据权利要求4所述的一种基于对抗生成网络的AI生成内容质量评测方法，其特征在于，所述对抗训练基于VIT网络进行。
6.根据权利要求5所述的一种基于对抗生成网络的AI生成内容质量评测方法，其
7.根据权利要求6所述的一种基于对抗生成网络的AI生成内容质量评测方法，其特征在于，所述S13还包括：
8.一种基于对抗生成网络的AI生成内容质量评测系统，用于实施权利要求1-7任一所述的方法，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如权利要求1-7任一所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述多条指令可被处理器读取并执行如权利要求1-7任一所述的方法。
...【技术特征摘要】
1.一种基于对抗生成网络的ai生成内容质量评测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于对抗生成网络的ai生成内容质量评测方法，其特征在于，对抗生成网络包括与生成器和判别器对应的两个独立的神经网络结构，分别为生成模型g和判别模型d；其中：
3.根据权利要求2所述的一种基于对抗生成网络的ai生成内容质量评测方法，其特征在于，对抗生成网络的所述生成模型g和判别模型d采用互相监督的两个多层感知机形成，并基于所述生成模型g和判别模型d进行互相训练；其中，生成模型g进行数据采样并针对数据采样生成符合采样的模拟数据；判别模型d针对生成模型g的生成结果判断ai生成内容的质量，根据所述模拟数据的分布情况，产生所述模拟数据分布的概率。
4.根据权利要求3所述的一种基于对抗生成网络的ai生成内容质量评测方法，其特征在于，所述s1包括：
5.根据权利要求4所述的一种基于对抗生成...
【专利技术属性】
技术研发人员：玄日成，杨熙，秦博文，何哲琪，
申请(专利权)人：北京智源人工智能研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。