Inception Score（IS）是一種用於評估生成式模型（特別是生成對抗網絡GAN）生成圖像質量和多樣性的指標。它利用一個預訓練的Inception v3圖像分類模型，對生成的圖像進行分類，評估圖像是否清晰且內容多樣。
Inception Score 的評估原理：1. 圖像質量：對單張生成圖像，Inception模型應該給出明確且確信的分類結果（低熵），這代表圖像清晰且主題明確。
2. 圖像多樣性：所有生成圖像的分類結果分布應該涵蓋多個類別，表現為高熵，代表生成結果多樣豐富。
計算方式（簡化）：
• 利用Inception v3模型對生成圖像集合中每一圖像計算條件概率分布 。
• 計算整體類別概率 作為邊際分布。
• 利用KL散度衡量 與 的差異，反映圖像對特定標籤的確定性與整體多樣性。
• 對所有圖像取平均並取指數，得到最終Inception Score。
特點與限制：
• 範圍：無上限，分數越高表示圖片既清晰又多樣。
• 優勢：不需標註數據即可評估生成模型性能。
• 限制：無法直接評估生成圖片與真實圖片的相似度，對類別不平衡敏感，容易受到Inception模型本身的偏差影響。
• 補充指標：Fréchet Inception Distance（FID）常用以補充IS，對真實與生成分布進行比較。
簡單比喻：
Inception Score 就像請一位圖像專家（Inception模型）判斷一組畫作：他希望每幅畫都清晰具體（像貓、狗），且整體畫集涵蓋豐富多樣的主題（不同種動物）。
總結：
Inception Score 是評估生成式模型圖像清晰度與多樣性的量化指標，廣泛用於衡量GAN等模型的生成效果，是生成圖像質量衡量的重要工具。
