概述
Fréchet 起始距离 (FID) 是判断一组生成图像的真实性和多样性的标准指标。它比較了深度特徵空間中真實圖像和生成圖像的統計數據——較低的分數意味著贗品看起來更接近真實的圖像。
Fréchet Inception Distance 属于计算机视觉工作流程，用于解释或生成视觉媒体以进行分析、操作和创造力。
深入探討
FID，由 Heusel 等人提出。 2017 年，修复了早期 Inception Score 中的一个关键缺陷：它从未将生成的图像与实际数据进行比较。 FID 透過預先訓練的 Inception-v3 網路輸入真實影像和產生影像，並從每個影像的深度池化層中讀出 2048 維特徵向量。然后，它将每组特征建模为多元高斯，并通过均值向量和协方差矩阵对它们进行汇总。两个高斯之间的距离是用 Fréchet 距离（也称为 2-Wasserstein 距离）计算的。較低的 FID 意味著生成的分佈的平均值和分佈與真實影像緊密匹配，從而捕捉保真度（它們看起來真實嗎？）和多樣性（它們是否涵蓋了真實資料的多樣性？）。
技術洞察
FID 公式是两个均值向量的平方差加上（协方差之和减去其乘积的矩阵平方根的两倍）的迹。由于 FID 使用完全协方差，因此它会惩罚模糊、不切实际的输出以及模型产生的变化太少的模式崩溃。它對樣本大小很敏感——圖像太少會使估計值偏高——因此從業者通常會在數萬張圖像（通常是 50,000 張）上進行計算。
掌握 Fréchet 起始距離
Fréchet 起始距離 (FID) 是判斷一組產生影像的真實性和多樣性的標準指標。它比較了深度特徵空間中真實圖像和生成圖像的統計數據——較低的分數意味著贗品看起來更接近真實的圖像。 Fréchet Inception Distance 屬於電腦視覺工作流程，用於解釋或產生視覺媒體以進行分析、操作和創造力。為了建立深入的理解，請將 Fréchet Inception Distance 視為一個操作模型，而不是一個單一的特徵：定義期望的結果，澄清假設，並將系統可以可靠地執行的操作與仍然需要專家判斷的操作分開。
在實踐中，使用 Fréchet Inception Distance 的強大團隊可以平衡準確性與數據品質、照明差異和標籤一致性等操作現實。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。同時，如果出處不明，肖像權和同意可能會成為法律風險。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
創意團隊可以透過更少的手動修改來更快地建立概念原型。
創意團隊可以透過更少的手動修改來更快地建立概念原型。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
操作可以使用以前難以處理的影像和視訊訊號。
操作可以使用以前難以處理的影像和視訊訊號。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
對 StyleGAN 等 GAN 進行基準測試，團隊在 FFHQ 等資料集上報告 FID，以比較臉部生成品質。
透過在檢查點計算 FID 來追蹤擴散模型的訓練進度，以查看影像品質何時停止改善。
比較 COCO 資料集上的競爭文字到圖像模型，其中較低的 FID 被認為是更真實輸出的證據。
偵測生成器中的模式崩潰，因為當模型產生的影像多樣性太少時，FID 的協方差項就會上升。
實施模式
實踐中的 Fréchet 起始距離
對 StyleGAN 等 GAN 進行基準測試，團隊在 FFHQ 等資料集上報告 FID，以比較臉部生成品質。
對 StyleGAN 等 GAN 進行基準測試，團隊在 FFHQ 等資料集上報告 FID，以比較人臉生成品質。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
實踐中的 Fréchet 起始距離
透過在檢查點計算 FID 來追蹤擴散模型的訓練進度，以查看影像品質何時停止改善。
透過在檢查點計算 FID 來追蹤擴散模型的訓練進度，以查看影像品質何時停止改善。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會獲得更好的結果。
實踐中的 Fréchet 起始距離
比較 COCO 資料集上的競爭文字到圖像模型，其中較低的 FID 被認為是更真實輸出的證據。
比较 COCO 数据集上的竞争性文本到图像模型，其中较低的 FID 被认为是更现实的输出的证据。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
實踐中的 Fréchet 起始距離
偵測生成器中的模式崩潰，因為當模型產生的影像多樣性太少時，FID 的協方差項就會上升。
偵測生成器中的模式崩潰，因為當模型產生的影像多樣性太少時，FID 的協方差項就會上升。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
如果出處不明，肖像權和同意可能會成為法律風險。
模型表現可能因光照、人口統計和環境的不同而有所不同。
除非監控置信閾值，否則誤報可能會被忽略。
實施路線圖
定義精確度、召回率和錯誤成本的接受標準。
定義精確度、召回率和錯誤成本的接受標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
使用符合實際生產條件的數據進行測試。
使用符合實際生產條件的數據進行測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為低置信度或高影響力的預測添加人工審核。
為低置信度或高影響力的預測添加人工審核。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤模型漂移並在相機或資料集變更後重新驗證。
追蹤模型漂移並在相機或資料集變更後重新驗證。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。