FID

FID (Fréchet Inception Distance) ↓

• 用途: 衡量生成图像集的真实性 (Realism) 和多样性 (Diversity)。
• 原理: FID 认为，如果生成图像集的特征分布与真实图像集的特征分布非常接近，那么生成的图像就足够好。
• 计算方法:
  1. 准备一个大规模的真实图像集和一个生成图像集。
  2. 用一个预训练好的 InceptionV3 网络的中间层来提取每张图片的特征向量。
  3. 假设真实图像和生成图像的特征向量分别服从两个多元高斯分布，计算出这两个分布的均值 (${\mu }_r,{\mu }_g$) 和协方差矩阵 (${\Sigma }_r,{\Sigma }_g$)。
  4. 计算这两个高斯分布之间的 Fréchet 距离（也叫 Wasserstein-2 距离）：
     • $FID=||{\mu }_r-{\mu }_g|{|}^2+\text{Tr}({\Sigma }_r+{\Sigma }_g-2({\Sigma }_r{\Sigma }_g{)}^{1/2})$
• 优缺点:
  • 优点: 与人类的感知判断有很强的相关性，是目前公认的评估生成模型质量的黄金标准之一。
  • 缺点: 需要大量的样本（通常上万张）才能得到稳定的结果，计算成本较高，且对 InceptionV3 模型有依赖。
• 解读: FID 越低说明生成质量越高