LLLMWIKI
正文元数据首页

来源笔记 · 更新于 2026-07-14

Improved Techniques for Training GANsInception Score 的来源与边界

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

Inception Score：分类器置信与样本多样性

一句话结论

Inception Score 用预训练分类器同时奖励单图类别置信与样本集合类别多样性，但不参照真实数据，不能单独衡量保真、覆盖或条件遵循。

问题定义

怎样用一个自动分数粗略替代昂贵人评，判断生成样本是否清晰且在类别上多样？

方法概述

计算每张图的类别条件分布与整批边缘类别分布之间的 KL 散度，再取期望和指数。

关键发现

  • 单图低熵与集合高熵分别对应分类器意义上的质量和多样性。
  • 原论文同时贡献多项 GAN 训练技巧，IS 只是其中一部分。
  • 指标不读取真实数据分布。

局限或疑问

  • 依赖 ImageNet 分类器与实现细节。
  • 无法可靠检测记忆、类内坍塌、关系错误或文本不一致。
  • 不同样本数和预处理的分数不可直接比较。

原始链接

相关页面

元数据
{
  "id": "2026-07-14-inception-score",
  "type": "source",
  "title": "Improved Techniques for Training GANs：Inception Score 的来源与边界",
  "status": "reviewed",
  "created": "2026-07-14",
  "updated": "2026-07-14",
  "venue": "NeurIPS 2016",
  "ingested_at": "2026-07-14",
  "tags": [
    "near-cvpr-2025",
    "evaluation",
    "benchmarking",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Tim Salimans",
    "Ian Goodfellow",
    "Wojciech Zaremba",
    "Vicki Cheung",
    "Alec Radford",
    "Xi Chen"
  ],
  "published_at": "2016-01-01",
  "canonical_links": [
    "https://arxiv.org/abs/1606.03498",
    "https://papers.nips.cc/paper_files/paper/2016/hash/8a3363abe792db2d8761d6403605aeb7-Abstract.html",
    "https://arxiv.org/pdf/1606.03498"
  ],
  "raw_entry": "raw/ingest/2026-07-14-inception-score/",
  "analysis_note": "raw/ingest/2026-07-14-inception-score/analysis.md",
  "topics": [
    "topics/datasets-metrics-and-benchmark-reliability",
    "topics/generative-model-evaluation"
  ],
  "entities": [],
  "claims": [],
  "questions": []
}