Fréchet Inception Distance（FID）是一種用於評估生成模型（特別是生成對抗網絡GAN）生成圖像質量和多樣性的指標。它通過比較生成圖像和真實圖像在深度特徵空間（通常使用Inception v3模型的中間層激活）中的分佈差異，衡量兩者之間的相似度。
FID 的特點與優勢：
• 衡量真實感：量化生成圖像與真實圖像的差異，分數越低，兩者越相似。• 考慮多樣性與質量：同時反映生成圖像的多樣性和逼真度。
• 克服Inception Score限制：FID 不僅評估生成圖像分佈，還考慮與真實圖像分佈的差異，更全面。
• 廣泛應用：成為評估GAN及其他生成模型效果的標準指標。
限制：
• 對樣本數量和質量敏感，樣本不足時不穩定。
• 雖然適合圖像評估，但對其他模態如文字或音頻的評估能力有限。
簡單比喻：
FID 就像比較兩幅畫裡圖案和色彩的整體風格差異，不是只看一兩處細節，而是評估全局的相似程度。
總結：
Fréchet Inception Distance（FID）通過比較生成圖像與真實圖像在深度特徵空間的統計分布差異，成為衡量生成模型圖像質量和多樣性的關鍵指標，分數越低表示生成結果越接近真實。Fréchet Inception Distance（FID）是一種評估生成模型（如GAN）生成圖像質量和多樣性的指標。FID 通過比較生成圖像和真實圖像在預訓練的 Inception v3 模型中某一中間層激活特徵的統計分布差異來衡量兩者的相似性。
具體來說，FID 將真實圖像和生成圖像的特徵分布視為兩個多維高斯分布，分別計算它們的均值和協方差矩陣。然後通過計算這兩個高斯分布之間的 Fréchet 距離（也稱為 Wasserstein-2 距離）來衡量差異。
FID 分數越低，表示生成圖像與真實圖像的分布越相似，質量越高。FID 同時衡量圖像的真實感和多樣性，被廣泛認為是評估生成圖像效果的標準指標之一。
簡單比喻：FID 就像衡量兩組畫作在整體風格和細節上的相似度，不僅看每幅畫，還看整體分布。
總結：
Fréchet Inception Distance 是評估生成模型圖像真實性和多樣性的關鍵指標，通過比較生成與真實圖像特徵分布差異來量化畫像質量，分數越低越佳。
