arXiv cs.AI· Caterina Gallegati, Monica Bianchini, Franco Scarselli, Vittorio Murino, Barbara Toniella Corradini·· 9 天前AI 评分20
APEX：无假设的基于投影嵌入检验度量，用于生成分布评估
APEX: Assumption-free Projection-based Embedding eXamination Metric for Generative Distribution Evaluation
AI 导读
APEX 是一个基于 Sliced Wasserstein Distance 的无假设生成分布评估框架，用 CLIP 和 DINOv2 作为特征提取器，不依赖传统 FID 等参数化度量。该框架对视觉退化表现出优于现有基线的鲁棒性，并在数据集内和跨数据集上保持稳定，可在域外数据集上实现高稳定性评估。
正文 · AI 翻译
摘要：随着生成模型达到前所未有的视觉质量，图像评估的黄金标准仍然是传统的特征分布指标（如 FID）。然而，这些指标已被证明受到过时特征的封闭词汇瓶颈以及刚性参数化公式的假设偏差的阻碍。近期的替代方法利用现代骨干网络来解决特征瓶颈，但仍受限于参数化问题。为弥补这一差距，我们提出了 APEX（无假设的基于投影的嵌入检验），这是一种新颖的评估框架，利用切片 Wasserstein 距离作为数学上有依据、无假设的相似性度量。我们通过理论和实证证据证明，APEX 继承了在高维空间中的有效可扩展性。此外，APEX 与嵌入无关，并使用两个开放词汇基础模型 CLIP 和 DINOv2 作为特征提取器。将 APEX 与既有基线进行基准测试，结果显示其对视觉退化具有更优的鲁棒性。此外，我们表明 APEX 指标表现出数据集内和跨数据集的稳定性，确保在域外数据集上进行高度稳定的评估。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.07786 [cs.CV] |
| （或 arXiv:2605.07786v3 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.07786 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Barbara Toniella Corradini [查看电子邮件]
[v1]
2026年5月8日星期五 14:21:51 UTC（9,371 KB）
[v2]
2026年5月11日星期一 08:25:22 UTC（16,410 KB）
[v3]
2026年10月8日星期四 15:57:32 UTC（25,178 KB）
来源：arXiv cs.AI · arxiv.org