- 面部图像特征分析及其在 Fréchet 距离和邻近性上的专业化应用
评估图像和图像数据集之间的距离是视觉研究中的一个基本任务。本文针对普遍用于评估距离的 Fréchet Inception Distance 方法在最新研究中受到的批评，通过基于自监督学习方法对特定领域的图像进行特征训练，并对其对特征距离的影 - 基于乐观主义的生成模型在线评估方法
通过在线评估框架和上置信边界方法，本研究提出了 FID-UCB 和 IS-UCB 算法，用于在线评估生成模型的质量和多样性，证明了这些算法的子线性遗憾界，并在标准图像数据集上呈现了数值实验结果，证明其在识别得分最大化的生成模型方面的有效性。
- 得分身份提炼：预先训练扩散模型的指数级快速提炼用于单步生成
我们引入了 Score identity Distillation（SiD），一种创新的无数据方法，将预训练扩散模型的生成能力提炼到一个单步生成器中。通过将前向扩散过程重构为半隐式分布，利用三个与分数相关的身份，创造了一种创新的损失机制。这 - 使用去噪自编码器提高生成设计的可信度评估
使用深度生成模型（DGM）进行生成设计的研究表明，常用的评估指标往往不能准确评估结构不合理性，本研究提出基于简单去噪自编码器（DAE）的度量方法，在三个数据集上与 Fréchet Inception Distance 和其它先进指标进行对比 - ICLR幂等性与感知图像压缩
我们提出了一种基于无条件生成模型和幂等性约束的感知图像编解码器，理论上与条件生成编解码器等价，并在 Fréchet Inception Distance (FID) 方面优于 HiFiC 和 ILLM 等先进方法。
- 医学影像中弗雷歇距离计算中特征提取的重要性
比较了在医学图像中计算 Fréchet 距离（FD）的最先进特征提取器，并通过可视图灵测试将人类评估的生成质量与使用 ImageNet 训练的 InceptionV3、ResNet50、SwAV、DINO 和 Swin Transforme - 使用高阶矩来评估 GAN 生成的图像特征质量
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 - 分布式学习任务中生成模型的评估
分布式学习任务中生成模型的评估方法主要关注深度生成模型、评估方法、分布式学习、Fréchet inception distance 和 kernel inception distance。
- 关于理解深度特征空间在人脸生成评估中的作用
通过对人脸图像的深度特征空间进行研究，我们发现 Fréchet Inception Distance 指标明显受特征空间数据集和目标函数影响，建议在使用生成模型时考虑多个特征空间并使用经过调整的特征空间。
- 类连续条件生成神经辐射场
提出了一种新颖的模型 C^3G-NeRF，可以合成具有条件操纵的照片逼真，三维一致图像，在三个图像数据集上进行评估，并表现出强大的三维一致性和平滑的插值。
- ABCAS: 自适应边界控制谱范数作为自动稳定器
本文提出一种名为 ABCAS 的自适应正则化方法，根据真实数据和仿冒数据之间的距离确定判别器的 Lipschitz 常数，从而提高生成对抗网络的训练稳定性并获得更好的生成图像的 Fréchet Inception Distance 得分。同 - ICLRImageNet 类别在 Fréchet Inception 距离中的作用
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 - ECCV生成对抗网络质量度量的鲁棒性研究
本文评估了生成模型质量测量的强度，指出 Inception Score 和 Fréchet Inception Distance 可被插入的噪点影响。作者还测试了最先进的 StyleGANv2 网络及其体系结构，并提供了一种增强版本的 FI - 基于评分的生成模型实现逼真星系图像模拟
利用去噪扩散概率模型（DDPM）生成逼真的模拟星系图像，并借鉴深度生成学习文献中的 Frechet Inception 距离和新引入的合成星系距离指标进行相似度比较和 Emergent 物理特性比较，其效果比其他生成方法（如对手网络）更为真 - 投影 GAN 更快收敛
本文提出了一种基于预训练特征空间的投影生成对抗网络（GAN）来改善 GAN 的训练难度，通过将所生成的和真实样本投影到该空间中，激活深层特征，并混合深层特征中的通道和分辨率，从而提高图像质量和训练速度，并成功地将 Frechet Incep - UNIT-DDPM: 带去噪扩散概率模型的非配对图像翻译
提出一种新颖的无需对抗训练的图像分类方法，该方法使用基于去噪扩散概率模型的单张图像转换方法。我们的方法是通过最小化以另一个域为条件的去噪得分匹配目标来训练生成模型以推断图像的联合分布。我们同时更新域翻译模型，并通过基于 Langevin 动 - ICCVGANs 的双对比损失和注意力
本文提出了多项改进，包括新型的双重对比损失和重塑注意力机制，来加强生成对抗网络的无条件图像生成能力，在多个基准数据集上将最先进的状态压制得更为出色。
- ICML生成模型的可靠保真度和多样性度量
本研究旨在寻找图像生成任务的指标评价方法，证明最近的精度和召回率指标并不可靠，并提出一种新的基于密度和覆盖率的评价指标，这些指标可以提供比现有指标更可靠的信息信号。
- DepthwiseGANs：用于逼真图像合成的快速训练生成对抗网络
本篇论文探讨了使用 DepthwiseGAN 架构生成逼真图像的方法，并通过 Fréchet Inception Distance 对生成数据质量进行了评估。结果表明，DepthwiseGAN 可以在较短的训练期间内生成逼真的图像，但是模型 - 混合密度生成对抗网络
本文提出了一种新型 GAN 变体 Mixutre Density GAN，通过在判别器嵌入空间中形成聚类来打破生成器的模式崩塌问题，从而发现不同的数据模式，并在生成高质量图像方面表现出色。