Unverified50% confidenceFactExact time
FID 由 Heusel 等人于2017年提出，通过比较真实图像与生成图像在 Inception 网络特征空间中的分布距离来衡量生成质量，数值越低越接近真实图像分布
1
Sources
50%
Confidence
Long-term
Relevance
7/12/2026
First Seen
Sources
WorldBench Open-Sourced: A Standardized Evaluation Toolkit for Robot World Models
redditr/opensource7/10/2026
Related Claims
UnverifiedFID measures the distributional distance between generated images and real images in feature space; a lower value indicates higher generation quality.84% similarUnverifiedLPIPS 由 Zhang 等人于2018年提出，基于深度网络的感知特征计算图像相似性，比传统的 SSIM 或 PSNR 更接近人类视觉判断64% similarUnverified扩散模型擅长生成视觉美观的概念图，但在精确数据可视化（如坐标轴刻度、误差棒表示）方面存在先天局限64% similarUnverified优质信息图的价值依赖精确的像素级控制，而这正是通用AI图像模型最薄弱的地方63% similarUnverified现实的技术趋势是分层混合使用三种数据：用海量第一视角数据学习视觉表征，用UMI数据获得动作层面对齐，用少量高保真遥操作数据做策略微调63% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/492256API
curl https://kongchang.com/api/v1/knowledge/claims/492256MCP
get_claim(id=492256)