关于使用随机嵌入表示评估弗레希 Inception 距离可信度的探索
机器学习
2026-01-30 v1
摘要
来自预训练模型的特征嵌入在医学深度学习应用中广泛用于评估数据集特征；例如，确定合成医学图像的质量。弗레希 Inception 距离（FID）是一种流行的合成图像质量指标，依赖于特征数据可被 InceptionV3模型（预训练于ImageNet1K自然图像）检测和编码的假设。虽然众所周知这使得其在医学图像应用中效果较差，但该指标在多大程度上未能捕捉图像特征之间的有意义差异尚不明确。本文使用蒙特卡罗 dropout 计算FID的预测方差以及特征嵌入模型潜在表示的补充预测方差估计。我们展示，所考虑预测方差的大小呈现出与测试输入（ImageNet1K验证集在 various strengths 增强，以及其他外部数据集）相对于其训练数据之外分布程度的 varying degrees 相关性，为其用作FID可信度指示器提供了一些见解。
引用
@article{arxiv.2601.21979,
title = {Investigation into using stochastic embedding representations for evaluating the trustworthiness of the Fr\'{e}chet Inception Distance},
author = {Ciaran Bench and Vivek Desai and Carlijn Roozemond and Ruben van Engen and Spencer A. Thomas},
journal= {arXiv preprint arXiv:2601.21979},
year = {2026}
}