프레셰 인셉션 거리(FID)

프레셰 인셉션 거리(FID)는 생성적 적대 신경망(GAN) 등 생성 모델이 만든 이미지의 품질을 평가하는 데 사용되는 지표입니다. 이전의 인셉션 스코어(IS)와 달리, FID는 생성된 이미지의 분포와 실제 이미지의 분포를 비교하여 이미지의 품질과 다양성을 보다 총체적으로 측정합니다.

프레셰 인셉션 거리(FID)의 정의

프레셰 거리와 인셉션 모델의 결합

“프레셰 인셉션 거리”라는 용어는 두 가지 핵심 개념을 결합합니다.

1. 프레셰 거리(Fréchet Distance): 1906년 Maurice Fréchet가 도입한 이 지표는 두 곡선의 유사성을 정량화합니다. 이는 각각 다른 경로를 걷는 개와 산책자의 최소 “목줄 길이”로 비유할 수 있습니다. 프레셰 거리는 필적 인식, 로보틱스, 지리 정보 시스템 등 다양한 분야에서 활용됩니다.

2. 인셉션 모델(Inception Model): 구글이 개발한 Inception-v3 모델은 원본 이미지를 수치적 특성 공간(잠재 공간)으로 변환하는 합성곱 신경망 구조입니다. 이 모델은 이미지 내 다양한 위치와 스케일의 특징을 분석하는 데 특히 유용합니다.

FID 측정 방법

FID는 다음과 같은 절차로 계산됩니다.

1. 이미지 전처리: 이미지를 크기 조정 및 정규화하여 호환성을 확보합니다.
2. 특징 추출: Inception-v3 모델을 사용해 이미지를 다양한 특성을 나타내는 수치 벡터로 변환합니다.
3. 통계량 계산: 실제 이미지와 생성 이미지 각각의 특성에 대해 평균과 공분산 행렬을 계산합니다.
4. 프레셰 거리 계산: 평균과 공분산 행렬을 비교하여 거리를 산출합니다.
5. FID 획득: 실제 이미지와 생성 이미지 사이의 프레셰 거리를 비교하여 최종 FID 점수를 얻습니다. 점수가 낮을수록 유사도가 높음을 의미합니다.

프레셰 인셉션 거리(FID)의 목적

이미지 품질 및 다양성 평가

FID는 주로 GAN이 만든 이미지의 시각적 품질과 다양성을 평가하는 데 사용됩니다. 주요 목적은 다음과 같습니다.

• 사실성(Realism): 생성 이미지가 실제 이미지처럼 보이는지 평가합니다.
• 다양성(Diversity): 생성 이미지들이 서로, 그리고 학습 데이터와 충분히 다른지 평가합니다.

활용 분야

• 모델 평가: FID는 서로 다른 생성 모델 및 그 변형들을 비교하는 데 사용됩니다.
• 품질 관리: 인체 얼굴의 해부학적 이상 등 비현실적인 이미지를 식별하고 필터링하는 데 도움이 됩니다.

FID와 인셉션 스코어(IS) 비교

역사적 맥락

인셉션 스코어(IS)는 GAN 평가를 위해 도입된 최초의 지표 중 하나로, 개별 이미지의 품질과 다양성에 초점을 두었습니다. 하지만 이미지 크기에 민감하고 인간의 평가와 일치하지 않는다는 한계가 있습니다.

FID의 장점

2017년에 도입된 FID는 생성 이미지와 실제 이미지의 통계적 특성을 비교함으로써 이러한 한계들을 보완하였습니다. 실제와 생성 이미지 간 유사성을 보다 효과적으로 포착할 수 있어, 현재는 GAN 평가의 표준 지표로 자리 잡았습니다.

FID의 한계

FID는 견고하고 널리 사용되는 지표이지만, 다음과 같은 한계가 있습니다.

• 도메인 특이성: FID는 이미지에 적합하지만, 텍스트나 오디오 등 다른 유형의 생성 모델에는 효과적이지 않을 수 있습니다.
• 높은 연산 요구: FID 계산에는 많은 컴퓨팅 자원이 필요합니다.