关于使用Fréchet Inception Distance评估视网膜图像合成生成模型的务实探讨
计算机视觉与模式识别
2026-02-23 v3 机器学习
摘要
Fréchet Inception Distance（FID）使用在ImageNet上预训练的Inception-v3网络计算，被广泛用作生成模型的最先进评估指标。它假设来自Inception-v3的特征向量服从多元高斯分布，并根据它们的均值和协方差计算2-Wasserstein距离。虽然FID在许多图像合成任务中能有效衡量合成数据与真实数据的匹配程度，但生物医学生成模型的主要目标通常是用带有对应标注的数据来丰富训练数据集。为此，评估生成模型的黄金标准是将合成数据纳入下游任务训练（如分类和分割），以务实地评估其性能。在本文中，我们考察了视网膜成像模态的案例，包括彩色眼底照相和光学相干断层扫描，其中FID及其相关指标与分类和分割中特定任务的评估目标不一致。我们强调了使用以FID及其变体为代表的各种指标作为这些应用评估标准的局限性，并探讨了它们在更广泛的生物医学成像模态和下游任务中的潜在隐患。
引用
@article{arxiv.2502.17160,
title = {A Pragmatic Note on Evaluating Generative Models with Fr\'echet Inception Distance for Retinal Image Synthesis},
author = {Yuli Wu and Fucheng Liu and Rüveyda Yilmaz and Henning Konermann and Peter Walter and Johannes Stegmaier},
journal= {arXiv preprint arXiv:2502.17160},
year = {2026}
}
备注
MIDL 2026