MIND：用于生成模型评估的 Monge Inception Distance
机器学习
2026-05-11 v1
摘要
我们提出了 Monge Inception Distance (MIND)，一种用于评估生成模型的指标，解决了被广泛采用的 Fréchet Inception Distance (FID) 的关键局限性。MIND 指标利用 sliced Wasserstein distance，通过平均一维 optimal transport distances 来比较分布，并通过排序高效计算。该方法规避了高维均值和协方差矩阵的估计，而这些估计是 FID 样本复杂度差和易受对抗攻击影响的根本原因。我们通过经验展示了三个主要优势： 它的样本效率高出一个数量级， 它的计算速度快两个数量级， 它对诸如 moment-matching 等对抗攻击具有更强的鲁棒性。我们表明，使用 5k 样本的 MIND 可以替代使用 50k 样本的 FID 的评估性能，与该标准基准具有高度相关性，并具有卓越的判别性能。我们进一步证明，即使更小的样本量（例如 1k 或 2k）对于快速模型迭代仍然具有高度信息量。
引用
@article{arxiv.2605.06797,
title = {MIND: Monge Inception Distance for Generative Models Evaluation},
author = {Quentin Berthet and Yu-Han Wu and Clement Crepy and Romuald Elie and Klaus Greff and Michael Eli Sander},
journal= {arXiv preprint arXiv:2605.06797},
year = {2026}
}