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

本文提出了一种新的基于几何学性质的 GAN 模型性能度量方法，可以定量和定性地评估生成样本的质量和模式崩溃的程度。该算法适用于各种类型的数据集，并不仅限于视觉数据。我们在多种真实模型和数据集上测试了该方法，并展示了其提供的 GANs 特性新洞察。

Feb, 2018

本文引入了一个三维评估指标（α- 精准度，β- 召回率，真实性），以在领域无关的情况下表征任何生成模型的保真度、多样性和泛化性能，通过样本级二元分类估计三个指标组件，激发了模型审计的新用例。

Feb, 2021

本研究提出 Frechet Joint Distance (FJD) 作为一种度量条件生成对抗网络 (CGANs) 模型质量的单一指标。通过在一个可控的合成数据集上进行实验，证明了 FJD 在评估 CGANs 模型时的优越性，并用于评估了基于 CGANs 模型的多种调节模式，如类标签、对象掩模、边界框、图像和文本说明。

Jul, 2019

本文介绍了基于 GAN 的问题并提出了相应解决方案，使用了基于图片质量的评价算法 SSIM 和 NIQE 作为 GAN 正则化的指标，并提出了新的模型 WGAN-GP，在 CIFAR-10，STL10 和 CelebA 数据集上取得了最优性能。

Nov, 2019

本文研究了生成对抗网络（GAN）的评估方法，发现基于核最大均值差（MMD）和最近邻（1-NN）等指标，可以较好地满足评估需要，同时具备区分真实样本与生成样本的性质，并探究了几种著名 GAN 模型的特性。

Jun, 2018

该研究提出了一个结合监督学习和无监督信号的框架，使用 T5Score 作为度量标准，对生成文本进行评估，并通过实验数据表明 T5Score 在各个数据集上均取得了最佳表现。

Dec, 2022

通过引入基于未训练随机 GNN 提取的特征的几个度量标准，完全测试了这些度量标准衡量生成的图的多样性和保真度的能力、其样本和计算效率，并推荐了两种新的度量标准，以用于对 GGM 的评估。

Jan, 2022

提出了一种新的度量距离叫做拓扑距离，它可以比较真实数据和生成数据的几何和拓扑特征，同时也能够衡量生成对抗网络（GANs）的学习效果。在多种数据集上，与常用的测量方法进行了比较，证明了该方法是一种强有力的候选指标。

Feb, 2020