文本生成图像Text-To-Image评估指标IS、FID、VSS、R-precision

IS分数（Inception Score）：衡量图像质量和多样性

FID距离（弗雷彻特初始距离）：衡量图像质量和多样性

VSS（Visual­Semantic Similarity）视觉语义相似度：衡量图像与输入文本的语义匹配度

R-precision（R精度）：评估生成图像与对应文本描述之间的视觉-语义相似度

补充信息熵的计算：

IS分数，越高越好。

对于图像质量。借助了一个外部图像分类器。p(y|x)的熵越小，说明数据分布较为集中（熵越大，代表分布越混乱）。y表示类别标签，x表示生成的图像。如果图像可以以很高的置信度被判别为某一类别，说明具有很好的清晰度和辨识度；如果难于明确分类，则说明图像质量差。

一般使用在ImageNet上训练好的Inception-v3网络。

对于图像多样性。如果GAN生成的图像具有很好的多样性，那么理应这些图像属于不同类别的概率是相同的，也就是图像属于不同类别的概率分布的信息熵越大越好。

IS分数定义为两者的结合，边缘分布p(y)和条件分布p(y|x)的KL散度的期望，即给定一个生成图像x，类别信息y的不确定性的减少程度。

 我们期望的是p(y)越大越好，而p(y|x)越小越好，根据定义，IS的值应该越大越好，即在给定了图x后，类别信息y的不确定性减少程度要大，即IS要大。

FID值，越小越好

把Inception-v3作为特征提取器，计算真实图像和生成图像再特征空间的Frechet距离（也叫Wasserstain-2距离），FID值的定义如下，假设它服从多元高斯概率分布，r是真实图像，g是生成图像，是均值，是协方差，tr()表示矩阵的迹。FID值被认为比IS更鲁棒，且更接近于人类质量评估，可用于复杂的数据集

 视觉-语义相似度VSS，越大越好

该衡量标准由HDGAN提出。其要训练一个视觉-语义嵌入模型，用以测量生成图像和文本描述之间的距离，需要额外的训练两个函数、，可看做是图像编码器和文本编码器，它们分别将真实图像和文本映射到公共语义空间（512维）

 是边界，一般设置为0.2，c(x,y)是余弦相似度函数，计算x和y的余弦相似度。{v, tv} 和 {t, vt} 是真实且匹配的图像文本对，其他组合是不匹配的。将v和t分别经fv和ft映射到公共的语义空间，计算他们之间的余弦相似度，其值越大，表示该图像v和文本t的语义一致性越大。

VSS的计算为，即在一个公共语义空间上的余弦相似度

R精度（R-precision），越大越好

对于每一张生成图像，使用R个与其对应的文本描述和另外随机选取的100-R个不匹配的描述，共同构成文本描述池。计算每个描述的文本特征与图像特征的余弦相似度。按照相似度进行排序，真实的描述落在top-R中则被认为是正确的，否则就是错误的。如果在top-R中有r个结果都是和图像相关的（即都可以正确的描述图像），则R-precision为r/R。