LLLMWIKI
正文元数据首页

来源笔记 · 更新于 2026-07-14

GANs Trained by a Two Time-Scale Update RuleFID 的来源与边界

#near-cvpr-2025#evaluation#benchmarking#primary-source

FID：真实与生成特征分布距离

一句话结论

FID 比较真实与生成图像的 Inception 特征均值和协方差，可同时响应部分质量与覆盖变化，但不是语义、条件遵循或安全的通用真值。

问题定义

怎样让自动生成评测同时参考真实数据，并对样本退化和模式缺失都较敏感？

方法概述

把两组 Inception 特征近似为高斯分布，计算其 Fréchet 距离；越低表示两组一、二阶统计越接近。

关键发现

  • 相比 IS，FID 直接使用真实数据参照。
  • 对噪声、模糊和模式缺失等扰动较敏感。
  • 来源论文同时提出 TTUR，FID 只是其中一项贡献。

局限或疑问

  • 有限样本估计有偏，强依赖样本数和实现。
  • ImageNet 特征不一定适合专业领域。
  • 不测 prompt、关系、文字、记忆与单图失败。

原始链接

相关页面

元数据
{
  "id": "2026-07-14-fid",
  "type": "source",
  "title": "GANs Trained by a Two Time-Scale Update Rule：FID 的来源与边界",
  "status": "reviewed",
  "created": "2026-07-14",
  "updated": "2026-07-14",
  "venue": "NeurIPS 2017",
  "ingested_at": "2026-07-14",
  "tags": [
    "near-cvpr-2025",
    "evaluation",
    "benchmarking",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Martin Heusel",
    "Hubert Ramsauer",
    "Thomas Unterthiner",
    "Bernhard Nessler",
    "Sepp Hochreiter"
  ],
  "published_at": "2017-01-01",
  "canonical_links": [
    "https://arxiv.org/abs/1706.08500",
    "https://papers.nips.cc/paper_files/paper/2017/hash/8a1d694707eb0fefe65871369074926d-Abstract.html",
    "https://arxiv.org/pdf/1706.08500"
  ],
  "raw_entry": "raw/ingest/2026-07-14-fid/",
  "analysis_note": "raw/ingest/2026-07-14-fid/analysis.md",
  "topics": [
    "topics/datasets-metrics-and-benchmark-reliability",
    "topics/generative-model-evaluation"
  ],
  "entities": [],
  "claims": [],
  "questions": []
}