参考答案
内容深度:基础 · 无代码示例 · 来源:外部链接 · 未复核 · 28 天前更新
自动指标
- FID 比较生成/真实图像的特征分布,越低越好;依赖特征网络和样本量,对模式崩溃/小样本敏感,不能完全代表感知质量。
- CLIPScore 衡量图文匹配,适合文本到图像;但 CLIP 本身有偏差,不能判断细节/计数/空间关系。
人类评估
- 评感知质量、与提示一致性、多样性、安全性;需要明确评分表、盲评、多人标注和一致性检验。
- 生成任务没有单一「正确答案」,自动指标只能做筛选,最终要看任务目标和用户偏好。
实践
- 多指标 + 固定评测集 + 置信区间;报告失败案例和偏差,避免只挑一个好看的分数。