本文通过使用通常仅用于培训的散度和距离函数来对各种类型的GAN性能进行评估，观察了所提出的度量之间的一致性，发现测试时间指标并不支持使用相同训练时间标准的网络，我们还将所提出的度量与人类感知分数进行比较。

Mar, 2018

该研究介绍了一种名为RoCGAN的新型条件GAN模型，该模型在图像生成的任务中表现优异，并在面临严重噪声的情况下使生成器输出的图像更接近目标空间，实验结果表明，RoCGAN在各种领域的表现都远优于现有的最先进的cGAN架构。

May, 2018

本研究提出了一种评估度量标准，以明确，非参数化表示真实和生成数据流形， 可以分别和可靠地测量图像生成任务中样本的质量和覆盖范围， 并且展示了该度量标准在StyleGAN和BigGAN方面的有效性。同时，我们分析了StyleGAN的多个设计变体以更好地了解模型架构，训练方法与样本分布属性之间的关系，并识别出新的改进方法。最后，我们将度量标准扩展到个体样本的感知质量估计，并使用它来研究潜空间插值。

Apr, 2019

本文提出了一种基于GAN模型学习的数据空间的内在维度特征来评估GAN生成数据能力的方法，同时提出了一种新的评估度量CrossLID，并通过在4个基准图像数据集上的实验表明，与其他现有的评价指标相比，CrossLID更加敏锐，并且可以用于改善GAN的生成质量。

May, 2019

通过转向神经网络分歧（NND），本文实现了一个基于样本的黑盒测量度量图像生成的多样性、采样质量和泛化。

Jan, 2020

该文章提出了一种对生成对抗网络(GANs)中的一致性惩罚技术的改进方法，在多个数据集上的实验证明了该方法能够显著提升图像合成效果并取得最佳性能。

Feb, 2020

通过对Fréchet Inception Distance的调查，我们发现它容易受到人为或意外扭曲的影响。在一个意外的案例中，一个经过ImageNet预训练的FastGAN可以实现与StyleGAN2相当的FID，但它在人类评估方面表现更差。

Mar, 2022

本文通过实证研究代表性生成模型GAN，深入分析了如何在特征空间中代表数据点、如何使用选定样本计算合理距离以及每组要使用多少个实例等问题。实验结果表明，基于CNN和ViT的架构都是可靠和稳健的特征提取器，CKA能够在一种模型中跨越各种提取器和分层层次上产生更好的比较，而且在表征两个内部数据相关性之间的相似性方面，CKA显示出令人满意的样本效率并补充了现有指标（例如FID）。这些发现帮助我们设计了一个新的测量系统，以便在一致可靠的方式下重新评估了最先进的生成模型。

Apr, 2023

探索了基于图像特征数据的高斯分布的假设并通过定义新的测量方法，即偏度内插距离（SID），来扩展既定评估标准Fréchet Inception Distance（FID）。数值实验结果表明，SID在评估ImageNet数据的图像特征时要么与FID保持一致，要么更贴近人类感知。

Oct, 2023

使用公共数据集对图像处理中的生成对抗网络（GAN）模型进行训练和评估，发现使用 SID 指标能够有效衡量模型的生成性能，超过或者与使用 FID 指标相当。

Feb, 2024