通过参考数据集的几何视角重新思考 FID
计算机视觉与模式识别
2026-05-29 v1 人工智能
摘要
Fr\'echet Inception Distance (FID) 是用于评估图像生成器的广泛使用指标，但更低的 FID 不一定对应更好的样本质量。我们展示了这一不匹配在一定程度上取决于参考数据集的几何结构。在六个受控数据集上的研究表明，分布密度和有效秩显著解释了 FID 如何随样本质量改进而变化。集中型数据集倾向于产生更有利的 FID 趋势，而更分散型数据集则可能即使在样本更佳时也导致 FID 恶化。归因于精度和召回率的分析，以及使用替代特征空间和距离的消融实验，均支持相同结论。这些结果表明，分布式指标应与参考数据集的几何结构一起解释，以获得更可靠的基准测试。
引用
@article{arxiv.2605.29335,
title = {Rethinking FID Through the Geometry of the Reference Dataset},
author = {Yunghee Lee and Byeonghyun Pak},
journal= {arXiv preprint arXiv:2605.29335},
year = {2026}
}
备注
9 pages, 2 figures. Accepted to ICML 2026 Workshop: Combining Theory and Benchmarks