統治AI圖像生成近10年的黃金標準，第一次被拉下場當了教練。

我說的是FID（Frechet Inception Distance）。

這個指標從2017年沿用至今，一直無法無法投入日常訓練使用。

現在有人打破了這個窘境——

來自USC、CMU、CUHK和OpenAI的全華陣容研究團隊，提出了一種叫FD-loss的方法，把“算統計的樣本池”和“算梯度的batch”徹底解耦。

依靠數萬張圖像組成的大容量緩存隊列或指數移動平均機制，穩定完成分布估算，僅針對當下小批量數據開展梯度回傳。

僅憑這一個idea，長期受限的FID終于能夠作為訓練損失函數，參與模型的直接優化。

實驗帶來了多項出人意料的結果：

• 一個已有的單步生成器，后訓練后直接刷出FID 0.72（ImageNet 256×256），而且推理成本零增加。

• 一個訓練了50步的多步擴散模型，被他們直接repurposing成1步生成器，無需教師蒸餾、無需對抗訓練，效果還能打。

• 其中最違背固有認知的發現在于，FID數值最優的模型，視覺觀感未必出眾。依托DINOv2、MAE、SigLIP等前沿視覺表征訓練的模型，FID表現不如基于Inception架構優化的版本，但畫面物體結構完整性與細節還原度都會明顯更好。

業內長期扎堆優化FID分數，可這項沿用近十年的評價標準早已達到性能瓶頸，甚至會引導模型走入錯誤的優化方向。

對6種表征空間的歸一化弗雷歇特距離（Fréchet Distance，FD）比值取平均，得到更魯棒的綜合指標FDrk。

按照這套新標準測算，真實驗證集基準數值為1.0，現階段頂尖生成模型的數值依舊高達1.89。

這足以說明ImageNet圖像生成領域，距離技術成熟還有很遠的距離。

解耦統計量與梯度計算

FID是所有生成模型性能測評的核心評判標準。

這個歌值越小，意味著生成圖越真實、分布越接近真實。

它的計算方式是把真實圖和生成圖用Inception-v3提特征，各算一個高斯分布，再求兩個分布之間的距離。

不過過去，FID只能當評測指標。

因為測算一次FID需要50000張圖片的統計數據，而GPU每步訓練能塞下的batch撐死也就1024張。

如果強行把5萬樣本全部參與反向傳播，顯存多半當場爆炸。

新研究的破局思路是“徹底解耦”。

簡單來說，研究團隊用數萬張圖組成的大窗口（隊列或 EMA）穩定估算真實與生成分布的均值、協方差，保證FD計算準確；梯度只回傳當前小批量數據，不增加訓練算力負擔。

研究者設計了兩種工程實現。

第一種叫隊列法（Queue）。

這種方法維護一個超大特征隊列（比如5萬條），每次生成新batch就enqueue，同時把最老的batch踢出去。

算FD時，用整個隊列的均值和協方差；反向傳播時，只給當前這1024條特征開梯度流，歷史特征不參與梯度回傳，保證統計穩健性的同時不增加訓練開銷。

第二種叫EMA法。

這種方法干脆不存儲任何特征數據，僅通過指數移動平均實時更新生成樣本特征的一階矩與二階矩，每一步使用當前批次的統計量平滑更新全局均值與協方差估計，梯度同樣只作用于當前批次。

這種方式無需占用大量顯存，統計結果更平滑穩定，還能輕松適配多表征空間聯合優化，在實驗中表現更優，也成為論文默認的實現方案。

為了驗證這套解耦機制是否真的有效，研究者在最小的pMF-B/16（118M）上做了兩組消融實驗。

（注：論文在實驗中使用了明確的模型規模分級，其中B代表Base小模型，參數規模約89M到131M。）

第一組對比隊列長度。

不用隊列（N=0）時，FID反而從3.31劣化到3.84。

隊列加到5萬時，FID驟降至0.89；但狂堆到50萬后，因歷史特征嚴重stale，FDr6直接崩回17.67。

第二組對比EMA衰減率。

β=0.999時，FID刷到0.81，比隊列版更優，且顯著好于過短的0.9（0.98）和過長的0.9999（0.98）。

因此后續所有實驗——無論pixel/latent空間、多步轉單步、還是2.5B參數的文本模型——均默認采用EMA方案。

三個“反常識”的實驗發現

新提出的FD-loss本質上是一個后訓練的分布對齊目標。

研究者從已經訓練好的生成器出發，只用FD-loss做輕量微調。

真實圖像只在離線階段出現一次——預先把訓練集的均值和協方差算好存盤，之后模型再也不見真圖，只對著自己生成的樣本做自我修正。

這意味著它不需要修改原有架構，不需要從頭訓練，也不需要教師蒸餾或對抗學習，像插件一樣直接嵌入現有流程。

而且無論像素空間還是隱空間、單步還是多步模型，都能即插即用。

有了這個輕量框架，研究團隊才得以系統性地測試當FID真的變成損失函數，生成模型會發生什么。

FD-loss帶來了三個重要的實驗發現。

發現一，FD-loss讓單步生成模型首次實現畫質與速度的新高度。

研究者拿了一個已經訓練好的單步生成器 pMF-H，直接上FD-loss微調100輪。

結果在ImageNet 256×256上，FID從2.29干到了0.77，同時依然保持 1-NFE（單步生成）。

這一分數大幅超越過往多步擴散模型的最好水平，打破了 “高質量必須多步、單步只能低畫質” 的固有枷鎖。

換句話說，推理成本一分錢沒多花，畫質直接躍升。

同樣的操作放到latent-space的iMF-XL上，FID也從1.82壓到0.76。

更關鍵的是，這種提升不是刷分。在論文圖4的定性對比里，后訓練的鸚鵡羽毛更分明，雪豹的斑點也更清晰。

發現二，FD-loss可以直接將成熟的多步擴散模型改造為高性能單步生成器。

研究者把原本訓練來跑50步的多步模型JiT-L，強行拉到單步模式，也就是直接輸入純噪聲，模型只跑一次，輸出就當最終圖像。

結果就是FID直接崩到291.59，畫面糊成一鍋粥。

然后，他們什么都不改，就用FD-loss繼續微調這個的單步模式。

整個過程無需教師蒸餾，無需對抗訓練，無需逐樣本監督信號。

50輪后，FID從291驟降到 0.77，生成質量與原多步模型相當甚至更優，而且推理速度提升數十倍。

發現三，FID最低的，未必是最好的。

這也是該試驗最具行業反思價值的一點。

當研究者把FD-loss放到不同的表征空間里優化時，事情變得詭異起來（驚恐.jpg）。

實驗清晰表明，FID最低的模型，在人眼主觀評價中并非最優。

基于Inception特征優化的模型能獲得最低FID，卻在物體結構、細節紋理、整體感知上弱于使用DINOv2、MAE、SigLIP等現代視覺表征訓練的模型。

后者FID數值更高，但人眼看更銳利、物體結構更完整，視覺質量顯著更優。

這說明長期被奉為金標準的FID可能會誤導研究方向……

團隊提出新標準

那么，如果FID已經靠不住了，我們拿什么來相信生成模型的進步？

研究團隊提出跨6種表征空間的歸一化平均指標FDrk。

該指標通過對Inception-v3、ConvNeXtv2、DINOv2、MAE、SigLIP2、CLIP共6種不同維度的表征空間計算歸一化FD比值并取平均，得到綜合評估結果FDr6。

按照這一標準，真實驗證集的基準值為1.0，而當前最強生成模型的FDr6仍高達1.89，直觀揭示 ImageNet生成任務遠未被解決。

此外，在人類盲選偏好實驗中，即便最優的pMF-H模型，得票率也只有37.4%，真實圖片依舊以62.6%的勝率占優。

值得一提的是，FD?loss具備極低的使用門檻與極強的泛化能力，可作為輕量化后訓練插件直接嵌入現有訓練流程，無需從零搭建模型，也不依賴復雜的訓練策略與工程調優。

該方法同時兼容像素空間與隱空間生成模型，適配單步生成器與多步擴散模型，支持類別條件生成與文生圖等多種任務模式。

在整個優化過程中，FD?loss無需修改原有主干網絡結構，不引入復雜的架構改動和從頭訓練的巨大開銷，依托隊列或EMA統計更新即可穩定收斂，具備優秀的復現性與落地可行性。

憑借簡潔通用的設計，它大幅降低了高質量極速生成模型的工程實現門檻，讓各類生成架構都能快速獲得顯著的質量提升。

低成本、高回報，這正是FD-loss之于工業界的誘惑力所在。

團隊介紹

公開信息顯示，五位作者全部是華人背景。

一作Jiawei Yang，USC計算機系博士生，師從Yue Wang教授，目前的研究聚焦于以視覺為中心的多模態模型的統一生成與理解。

他碩士畢業于UCLA，曾獲NVIDIA Graduate Fellowship。

Zhengyang Geng本科畢業于四川大學計算金融專業，現為CMU計算機科學博士生，導師為Zico Kolter。

他長期專注單步生成、動態系統與模型高效化，是MeanFlow、pMF等系列工作核心作者。

他的個人主頁寫道“與Kaiming He有緊密合作”，兩人曾連續合作多篇單步生成領域核心論文。

Xuan Ju是香港中文大學博士生，師從徐強教授，主攻圖像與視頻生成、高效多模態模型。

她在ICCV、SIGGRAP 等頂會發表多篇成果。

Yonglong Tian博士畢業于MIT計算機科學專業，現為OpenAI研究員。

他是監督對比學習SupContrast等表征學習標志性工作的作者，曾任職于Google DeepMind。

通訊作者Yue Wang，USC助理教授，同時兼任英偉達研究科學家。

他本科畢業于浙江大學，碩士畢業于UCSD，博士畢業于MIT，研究橫跨3D視覺、生成模型與機器人。

論文arXiv：
https://arxiv.org/abs/2604.28190

文章來源：量子位。