这篇paper的作者评价了各自度量GAN优劣性的指标，并给出了实际工程方面的经验。
现有GAN评价指标存在哪些问题？
- 评价指标本身好坏，缺乏一个评价体系
- 现有许多评价指标虽然和人的主观比较一致。可是与人的主观一致并不一定就代表GAN是好的。
现有的一些评价指标，比如Inception score和MMD等，虽然可以在一定程度上评价GAN。但是这些评价指标的适用场景却依然是一个疑问。换句话说，什么场景下，Inception score评价有效，什么时候Inception score会误导却未知。此外，如果一个GAN过拟合了，那么生成的样本会非常真实，人类主观评价得分会非常高，可是这并不是一个好的GAN。
这里也就引出了作者的目的了，那就是如何评价GAN的这些评价指标！
作者做了哪些工作？
作者通过进行大量实验，比较了现在example-based的评价方法。尝试回答了一下问题：
- 现有指标哪个会更加合理，科学？
- 现有指标的优缺点，应该首选哪些指标？
实际实验发现，MMD和1-NN two-sample test是最为合适的评价指标，这两个指标可以较好的区分：真实样本和生成的样本，mode dropping, mode collapsing。且计算高效。
什么是mode collapsing？
某个模式(mode)出现大量重复样本，例如：
上图左侧的蓝色五角星表示真实样本空间，黄色的是生成的。生成样本缺乏多样性，存在大量重复。比如上图右侧中，红框里面人物反复出现。
什么是mode dropping？
这个相对于好理解一下，顾名思义，某些模式（mode）没有，同样也缺乏多样性。例如下图中的人物，除了肤色变化，人物没有任何变化。
GAN的常见评价指标
符号对照
:生成数据分布，表示真实数据分布
:数学期望
:输入样本，表示为生成样本的采样，表示为真实样本的采样。
:样本标签
:分类网络，通常选择Inception network
现有的example-based（顾名思义，基于样本层面做评价。）方法，均是对生成样本与真实样本提取特征，然后在特征空间做距离度量。具体框架如下：
下面分别对常见的评价指标进行一一介绍：
Inception Score:
对于一个在ImageNet训练良好的GAN，其生成的样本丢给Inception网络进行测试的时候，得到的判别概率应该具有如下特性：
- 对于同一个类别的图片，其输出的概率分布应该趋向于一个脉冲分布。可以保证生成样本的准确性。
- 对于所有类别，其输出的概率分布应该趋向于一个均匀分布，这样才不会出现mode dropping等，可以保证生成样本的多样性。
因此，可以设计如下指标：
根据前面分析，如果是一个训练良好的GAN，趋近于脉冲分布，趋近于均匀分布。二者KL散度会很大。Inception Score自然就高。实际实验表明，Inception Score和人的主观判别趋向一致。IS的计算没有用到真实数据，具体值取决于模型M的选择
特点：可以一定程度上衡量生成样本的多样性和准确性，但是无法检测过拟合。Mode Score也是如此。不推荐在和ImageNet数据集差别比较大的数据上使用。
Mode Score:
Mode Score作为Inception Score的改进版本，添加了关于生成样本和真实样本预测的概率分布相似性度量一项。具体公式如下：
Kernel MMD (Maximum Mean Discrepancy)
计算公式如下：
对于Kernel MMD值的计算，首先需要选择一个核函数，这个核函数把样本映射到再生希尔伯特空间(Reproducing Kernel Hilbert Space, RKHS) ，RKHS相比于欧几里得空间有许多优点，对于函数内积的计算是完备的。将上述公式展开即可得到下面的计算公式：
MMD值越小，两个分布越接近。
特点：可以一定程度上衡量模型生成图像的优劣性，计算代价小。推荐使用。
Wasserstein distance
Wasserstein distance在最优传输问题中通常也叫做推土机距离。这个距离的介绍在WGAN中有详细讨论。公式如下：
Wasserstein distance可以衡量两个分布之间的相似性。距离越小，分布越相似。
特点：如果特征空间选择合适，会有一定的效果。但是计算复杂度为太高
Fréchet Inception Distance (FID)
FID距离计算真实样本，生成样本在特征空间之间的距离。首先利用Inception网络来提取特征，然后使用高斯模型对特征空间进行建模。根据高斯模型的均值和协方差来进行距离计算。具体公式如下：
分别代表协方差和均值。
特点：尽管只计算了特征空间的前两阶矩，但是鲁棒，且计算高效。
1-Nearest Neighbor classifier
使用留一法，结合1-NN分类器（别的也行）计算真实图片，生成图像的精度。如果二者接近，则精度接近50%，否则接近0%。对于GAN的评价问题，作者分别用正样本的分类精度，生成样本的分类精度去衡量生成样本的真实性，多样性。
- 对于真实样本，进行1-NN分类的时候，如果生成的样本越真实。则真实样本空间将被生成的样本包围。那么的精度会很低。
- 对于生成的样本，进行1-NN分类的时候，如果生成的样本多样性不足。由于生成的样本聚在几个mode，则很容易就和区分，导致精度会很高。
特点：理想的度量指标，且可以检测过拟合。
其他评价方法
AIS，KDE方法也可以用于评价GAN，但这些方法不是model agnostic metrics。也就是说，这些评价指标的计算无法只利用：生成的样本，真实样本来计算。
实验
实验部分进行了详细对比。此处不表。
值得注意的是，上述指标对于特征空间的选择尤其重要，特征空间选择不当，可能得出相反的结果。