Il prossimoProssima guida
Funzioni di distanza con segno
IA visiva
GUIDA AI visiva
Fréchet Inception Distance (FID) compares feature statistics from generated and real images using Inception-v3 features.
Ascolta questa guidaNarrato dall'IA · ~2 min
A lower value indicates closer estimated feature distributions under the metric, not a complete judgment of image quality.
FID extracts Inception features from real and generated images, approximates each feature distribution as a multivariate Gaussian, and compares the means and covariance matrices. Finite-sample estimates can be biased and protocol-sensitive. Diffusion Models Beat GANs reports ImageNet FID with 50,000 generated samples; that is specific to its benchmark. KID applies a kernel maximum mean discrepancy estimator to Inception features and has an unbiased estimator under its formulation. The original FID work notes that Inception Score does not compare generated features with real-image features. KID uses kernel maximum mean discrepancy over Inception features and has an unbiased finite-sample estimator; it can be useful with smaller samples, while estimates still have uncertainty.
The original FID paper introduced a feature-distribution distance for generative-model evaluation.
Diffusion Models Beat GANs reports ImageNet FID with 50,000 generated samples as its benchmark protocol.
Finite-sample estimators can be biased, so comparisons should match sample counts and preprocessing.
Kernel Inception Distance (KID) uses an MMD estimator over Inception features as an alternative metric.
Alternative metrics include KID and precision/recall-style measures. Evaluate the chosen feature extractor and metric against the target task and human judgments; no single score captures all image quality dimensions.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Fréchet Inception Distance (FID) compares feature statistics from generated and real images using Inception-v3 features. A lower value indicates closer estimated feature distributions under the metric, not a complete judgment of image quality.
Il FID misura la distanza tra le distribuzioni delle caratteristiche reali e quelle generate, quindi un valore inferiore significa che il set generato corrisponde più fedelmente ai dati reali in termini di fedeltà e diversità.
FID trasmette le immagini attraverso una rete Inception-v3 preaddestrata e utilizza le sue funzionalità di pooling layer a 2048 dimensioni sia per le immagini reali che per quelle generate.
Ciascun insieme di caratteristiche è modellato come una gaussiana multivariata e il FID calcola la distanza di Fréchet (2-Wasserstein) tra le due gaussiane.
Il punteggio iniziale ha valutato solo le immagini generate in modo isolato; Il FID ha apportato miglioramenti confrontando direttamente le distribuzioni delle immagini generate e reali.
FID compares both feature means and covariance matrices. Reduced feature diversity can create a covariance mismatch and contribute to a higher distance; it is not a diagnostic guarantee.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Funzioni di distanza con segno
IA visiva