進入跨模態幾何空間，秒懂 AI 圖像品質（FID）與圖文不合判定（CLIP Score）的科學標準！
核心白話：文生圖模型（Diffusion）最怕「答非所問」。CLIP 模型將文字提示詞與生成圖片分別轉換成特徵向量。如果兩者的**夾角越小、餘弦相似度越高**，代表圖文越一致！
評估擴散模型時，我們不能只抽樣一張好看的圖，必須生成一萬張圖進行集團統計。以下圖表展示了歷代文生圖模型在**圖像品質（FID）**上的進步趨勢：
評估模型生成畫面的精緻度與逼真度。目前全世界公認最權威的硬核指標，數值越低越完美。
評估模型有沒有「聽懂人話」、畫出正確的提示詞語義。利用跨模態網路在同一個大腦維度裡進行餘弦夾角比對，是文生圖模型的黃金標準。
防範模型產生「模式崩塌」或單一輸出。越高代表模型生成的物體既清晰明確，種類又豐富多樣。
擴散模型(Diffusion)是當前主流影像生成技術,iPAS 生成式 AI 考點(中級科目一)。重點:加噪再學去噪、逐步從雜訊生成,品質高、訓練比 GAN 穩,是 Stable Diffusion、Midjourney 的底層。易混點:評估生成影像看 FID(與真實分布距離,越低越好)與 IS,別用準確率;Diffusion 取樣步驟多、較慢。情境:文字生圖、影像編輯;與 GAN、VAE 並列三大生成法。
想練情境題與詳解 → AI 學習與考證地圖
看逼真度與多樣性兩面向；常用 FID、Inception Score(IS)等自動指標，搭配人工觀感判斷。
Fréchet Inception Distance，比較生成影像與真實影像在特徵空間的分布距離；越低代表越逼真且分布越接近真實，是最常用指標。
同時看單張清晰可辨(分類有信心)與整體多樣(類別分布均勻)；但有局限(不比對真實分布、易被鑽)，常與 FID 並用。
FID 與 IS 抓不到語意正確(如文字生圖是否符合提示)與細節合理性；需人工評估或用 CLIP 分數看圖文對齊。
只看單一指標、忽略多樣性(模式崩潰會讓 FID 看似不錯但內容單調)、樣本數不足、與真實分布不可比。