条件弗雷歇初始距离
机器学习
2022-03-01 v2 计算机视觉与模式识别
摘要
我们考虑条件分布之间的距离函数。我们关注 Wasserstein 度量及其高斯情形，即已知的弗雷歇初始距离（Frechet Inception Distance, FID）。我们发展了这些度量的条件版本，分析了它们之间的关系，并给出了条件 FID（CFID）度量的闭式解。我们在现代条件生成模型性能评估的背景下对这些度量进行了数值比较。我们的结果表明，与经典 FID 和均方误差（MSE）度量相比，CFID 具有优势。与 FID 不同，CFID 有助于识别这样的失败情况：生成了与输入无关的真实输出。另一方面，与 MSE 相比，CFID 有助于识别这样的失败情况：即使存在一组多样的等概率输出，也仅生成了单一的真实输出。
引用
@article{arxiv.2103.11521,
title = {Conditional Frechet Inception Distance},
author = {Michael Soloveitchik and Tzvi Diskin and Efrat Morin and Ami Wiesel},
journal= {arXiv preprint arXiv:2103.11521},
year = {2022}
}