Inception Score 是什么？评价生成图像质量和多样性的指标

Inception Score（IS）是一种评估生成图像质量的客观指标，由 OpenAI 的 Tim Salimans、Ian Goodfellow 等人在 2016 年的论文《训练生成对抗网络的改进技术》中提出。它主要用于评估生成对抗网络（GAN）等生成模型所生成图像的质量，能够同时衡量生成图像的清晰可辨程度和多样性，用来代替部分人工的主观评价。

为什么需要自动的指标

评价一个图像生成模型的好坏，最直接的方法是让人来看。但人工评价费时费力、成本高，而且不同的人标准不一，难以在大量实验中反复使用。研究者需要一个可以自动计算的指标，来快速比较不同的模型和训练设置。

它是怎么计算的

Inception Score 借助了一个在 ImageNet 数据集上预训练好的图像分类网络，也就是谷歌的 Inception 网络，这也是这个指标名字的由来。它的思路基于两个直觉：

第一，好的生成图像应该清晰、内容明确。把一张生成的图片交给 Inception 网络分类，如果图片质量好、画的东西很清楚，网络应该很有把握地认为它属于某一个类别，比如 95% 的概率是“金毛犬”，也就是预测的类别分布很“尖锐”。如果图片模糊、看不出画的是什么，网络的预测就会在很多类别之间摇摆不定。

第二，好的生成模型应该能生成多种多样的图像。把大量生成的图片都交给网络分类，把所有预测结果汇总起来，各个类别都应该有所覆盖，汇总后的类别分布应该很“均匀”。如果模型翻来覆去只能生成同一类东西，比如只会画狗，那就缺乏多样性，这种问题叫“模式崩溃”。

Inception Score 用 KL 散度把这两点结合起来：衡量每张图片的类别分布与所有图片汇总后的类别分布之间的差异，再取平均和指数。单张图片的预测越确定、整体的类别越丰富，两者差异越大，得分就越高。分数越高，表示生成的图像越好。

局限

Inception Score 也有明显的不足：它完全不看真实的图像，只看生成的图像本身，无法判断生成的图像是否真的像真实数据；它依赖于 ImageNet 的 1000 个类别，对于人脸、风景等不属于这些类别的图像，评价不够可靠；而且它可能被“刷分”。因此，2017 年提出的 FID（Fréchet Inception Distance）通过比较生成图像和真实图像的特征分布，弥补了这些缺陷，逐渐成为更主流的评价指标，两者常被一起报告。