问开始评分( is )和Fréchet初始距离(FID)，哪一个更适合GAN评估？

EN

这里是最初提出FID的论文。

以下是詹森·布朗利( Jason )的https://machinelearningmastery.com/how-to-implement-the-frechet-inception-distance-fid-from-scratch/的摘录以及论文中的几句话：

起始评分根据最佳的图像分类模型“盗梦空间”( inception v3 )将其归类为1,000个已知对象之一来评估合成图像集合的质量。这些分数结合了对每个合成图像(质量)的条件类预测的可信度和预测类别的边际概率(多样性)的积分。

起始分数并不能捕捉到合成图像与真实图像的对比。FID评分的目的是根据合成图像集的统计数据与来自目标域的真实图像集的统计数据进行比较，对合成图像进行评估。

为了评价GANs在图像生成中的性能，我们引入了“Frechet距离”(FID)，它比盗梦空间评分更好地捕捉了生成的图像与真实图像的相似性。

与初始分数一样，FID评分使用初始v3模型。具体而言，模型的编码层(图像输出分类之前的最后一个池层)用于捕获输入图像的计算机视觉特征。这些激活是为真实图像和生成图像的集合计算的。通过计算图像的均值和协方差，将激活归结为多元高斯。然后计算这些统计数据，以便在真实图像和生成图像的集合中激活这些数据。然后，使用Frechet距离(也称为Wasserstein-2距离)计算这两个分布之间的距离。

两幅高斯图像(合成图像和真实图像)的差异是由Frechet距离(也称为沃瑟斯坦-2距离)测量的。