Tag: generative-evaluation-fid-clip-score

FID 用真实与生成图像在 Inception 特征空间的高斯距离衡量质量；对特征分布假设与样本量敏感，且不测文本对齐。

CLIP-score 用 CLIP 计算生成图与 prompt 的相似度，衡量’文本对齐’；但它有’偏好特定风格’的偏置，且不能测真实感。

人类偏好是黄金标准；通过成对比较（Elo/Bradley-Terry）或打分收集，成本高但是最终裁决；LLM/VLM-judge 可扩展但需校准。

保真度（每张图是否真实/对题）与多样性（是否覆盖模式）存在张力；需分别度量（Precision/Recall）而非用单一指标。

除通用指标外，需评’本体保真度（结构/颜色/纹理/文字）’、’合规性’、’一致性’与’业务指标（点击/转化）’。

生成评估的指标有方差（样本、种子、prompt）；需报告置信区间、多种子、配对比较，避免’单点结论’。