GAN网络评价指标

一、IS（Inception loss）

        GAN（生成对抗网络）中生成器通过目标函数来优化生成的图片骗过判别器的性能，判别器则通过损失函数来增强自己判别生成图片的性能。但是这并不能很好地判别生成图片的质量以及多样性。于是便有用IS（inception score）和下文中将要提到的FID（Fréchet Inception Distance）这两个指标。

       之所以叫做Inception loss是因为这个指标需要用到Inception net来提取图片的特征。简单来说就是将生成的图片送入Inception net提取特征并对其进行分类。如果生成的图片质量较好，那么它应该具有较高的识别度，体现在分类结果上就是能够被更准确的分类，而分类正确的概率P(y|x)则被期望更大，用熵来表示则E(P(y|x))应该较小。上述函数只能使得生成的图片更具有真实性。而不能确保生成图像的多样性。众所周知GAN具有模式坍塌以及训练不稳定的缺点。若发生模式坍塌，则只会生成同一张图片。为了保证生成图片的多样性体现在P(y)的熵，若P(y)的熵越大则多样性越好。

      将上面两个函数结合起来用KL散度表示则得到IS，则IS值越大表明图像的质量以及多样性都很好，公式如下：

然而有一个问题就是p(y)与p(y|x)并不相互独立，当模式坍塌发生时 x与生成的y就完全不独立了，这也导致IS不能解决模式坍塌。

 

二、FID(Fréchet Inception Distance )

     同样使用Inception net提取特征但是不使用分类器部分，提取生成图像的特征分布与真实图像的特征分布，目的就是使二者尽可能相同，计算二者之间的距离用FID。

较低的FID意味着两个分布之间更接近，也就意味着生成图片的质量较高、多样性较好。

FID对模型坍塌更加敏感。相比较IS来说，FID对噪声有更好的鲁棒性。因为假如只有一种图片时，FID这个距离将会相当的高。因此，FID更适合描述GAN网络的多样性。

 

参考：https://blog.csdn.net/qq_27261889/article/details/86483505