OpenAI参与，重卷ImageNet：终于把FID做成训练

统治AI图像生成近10年的黄金标准，第一次被拉下场当了教练

这里说的是

（Frechet Inception Distance）。

自2017年诞生以来，这个指标一直是评估生成模型质量的“金科玉律”，但有个尴尬的现实：它始终无法直接用于日常训练。原因很简单，计算FID需要数万张图片的统计分布，而GPU单次训练能处理的批次（batch）通常只有几百到几千张。强行把数万样本塞进反向传播，显存恐怕会立刻“罢工”。

如今，这个窘境被打破了。

来自南加州大学（USC）、卡内基梅隆大学（CMU）、香港中文大学（CUHK）和OpenAI的全华人研究团队，提出了一个名为

。其核心思想堪称“四两拨千斤”：

具体来说，他们利用一个由数万张图像特征组成的大容量缓存队列，或者采用指数移动平均（EMA）机制，来稳定地估算真实与生成数据的整体分布。而梯度回传，则仅针对当前训练的小批量数据进行。这样一来，长期被束之高阁的FID，终于能作为训练损失函数，直接指导模型的优化过程了。

实验结果令人眼前一亮：

• 一个现成的单步生成器，经过微调后，在ImageNet 256×256数据集上FID直接刷到0.72
  ，而且推理成本没有丝毫增加。
• 一个原本需要50步采样的多步扩散模型，被他们“重新利用”为单步生成器，无需复杂的教师蒸馏或对抗训练，效果依然能打。
• 最碘伏认知的发现或许是：

  FID数值最优的模型，视觉观感未必最好。
  那些基于DINOv2、MAE、SigLIP等现代视觉表征训练的模型，虽然FID分数可能不如基于老牌Inception架构优化的版本，但生成图像的物体结构完整性和细节还原度却明显更胜一筹。

这引出了一个更深层的问题：行业长期扎堆优化的FID分数，或许早已触及性能瓶颈，甚至可能将研究引入歧途。

为此，团队提出了一个更鲁棒的新评估标准：对6种不同表征空间计算归一化弗雷歇特距离（FD）并取平均，得到综合指标FDrk。按照这个新标准，真实验证集的基准值为1.0，而当前顶尖生成模型的数值仍高达1.89。

这足以说明，

解耦统计量与梯度计算

FID的核心逻辑是衡量生成图像分布与真实图像分布的接近程度。数值越小，代表越逼真。传统上，它只是个“事后裁判”，无法参与训练。

新研究的破局点，就在于“解耦”二字。

研究团队用一个大窗口（队列或EMA）来稳定估算全局的均值与协方差，确保FD计算准确无误；同时，梯度计算只作用于当前的小批量数据，完美避开了显存爆炸的难题。

他们设计了两种工程实现方案：

维护一个超大特征队列（例如5万条），每次新批次生成，就入队最新特征，同时踢出最旧的特征。计算FD时，使用整个队列的统计量；反向传播时，只对当前批次的特征计算梯度。历史特征不参与梯度更新，从而在保证统计稳健性的同时，不增加额外训练开销。

这种方法更巧妙，它根本不存储具体特征，而是通过平滑更新的方式，实时维护生成样本特征的一阶矩和二阶矩估计。每一步都用当前批次的统计量去更新这个全局估计。同样，梯度也只作用于当前批次。这种方法显存占用极低，统计结果更平滑，还能轻松适配多表征空间的联合优化，在实验中表现更优，也成为论文默认的方案。

为了验证解耦机制的有效性，研究者在最小的pMF-B/16模型上做了两组消融实验。

不用队列时，FID反而从3.31劣化到3.84。当队列长度增加到5万时，FID骤降至0.89；但盲目堆到50万后，由于历史特征过于陈旧，性能指标FDr6直接崩回17.67。

当β=0.999时，FID达到最佳的0.81，优于队列法，也显著好于衰减过快（β=0.9，FID 0.98）或过慢（β=0.9999，FID 0.98）的情况。因此，后续所有实验均默认采用EMA方案。

三个“反常识”的实验发现

它的工作流程非常简洁：从一个预训练好的生成器出发，只用FD-loss进行微调。真实图像的统计量（均值和协方差）只需在离线阶段计算一次并保存，之后模型再也“见不到”真图，只对着自己生成的样本进行自我修正和分布对齐。

这意味着它无需改动原有模型架构，无需从头训练，也无需依赖教师蒸馏或对抗学习，就像一个即插即用的“质量增强插件”。无论是像素空间还是隐空间模型，单步还是多步架构，都能无缝接入。

正是基于这个轻量框架，研究团队系统性地探索了当FID真正成为损失函数后，会发生什么。结果带来了三个重要的反常识发现。

研究者选取了一个已训练好的单步生成器pMF-H，仅用FD-loss微调100轮。结果在ImageNet 256×256上，FID从2.29大幅降至0.77，同时依然保持1步生成。这一成绩甚至超越了以往多步扩散模型的最佳水平，打破了“高质量必须多步采样”的固有认知。换句话说，推理成本一分没加，画质却实现了跃升。同样的操作在隐空间模型iMF-XL上也奏效，FID从1.82压到了0.76。更重要的是，这种提升并非“刷分”，定性对比显示，微调后的图像细节（如鹦鹉羽毛、雪豹斑点）明显更加清晰锐利。

研究者将原本设计为50步采样的多步模型JiT-L，强行切换到单步模式（输入纯噪声，只推理一次）。结果可想而知，FID崩坏至291.59，图像糊成一片。然而，他们仅用FD-loss对这个“残疾”的单步模式进行微调，不引入任何蒸馏或对抗训练。50轮后，FID从291骤降至0.77，生成质量与原多步模型相当甚至更优，推理速度却提升了数十倍。

这是最具行业反思价值的发现。当研究者在不同视觉表征空间（如Inception-v3, DINOv2, MAE等）中应用FD-loss时，出现了诡异的分歧：基于老牌Inception特征优化的模型能获得最低的FID分数，但其生成图像在物体结构、细节纹理和整体感知质量上，却弱于使用DINOv2、MAE等现代视觉表征训练的模型。后者FID数值可能更高，但人眼主观评价却更好。这直接警示我们，过度追求FID这一单一指标，可能会让模型优化偏离人类视觉感知的真实方向。

团队提出新标准

那么，如果FID已不可全信，我们该如何更全面地评估生成模型的进步？

该指标通过对Inception-v3、ConvNeXtv2、DINOv2、MAE、SigLIP2、CLIP这6种不同且互补的视觉表征空间分别计算归一化FD比值，然后取平均值得到FDr6。这相当于组建了一个“评审团”，综合多维度意见，评估结果自然更鲁棒。

，直观地揭示了ImageNet级别图像生成任务仍有巨大提升空间。此外，在人类盲选偏好实验中，即便最优的pMF-H模型，得票率也仅为37.4%，真实图片仍以62.6%的胜率占据绝对优势。

值得一提的是，FD-loss的实用门槛极低。它作为一个轻量级后训练插件，无需修改主干网络结构，不引入复杂架构改动，也避免了从头训练的巨额开销。无论是像素空间还是隐空间模型，单步还是多步生成器，条件生成还是文生图任务，它都能即插即用，通过队列或EMA机制稳定收敛。

这种

，极大地降低了实现高质量、极速生成模型的工程门槛，让各类现有架构都能快速获得显著的感知质量提升。低成本、高回报，这正是FD-loss对工业界产生巨大吸引力的关键所在。

团队介绍

这项工作的作者团队是一支全华人力量。

，南加州大学（USC）计算机系博士生，师从Yue Wang教授，研究方向聚焦于以视觉为中心的多模态模型的统一生成与理解。他硕士毕业于加州大学洛杉矶分校（UCLA），曾获NVIDIA研究生奖学金。

，本科毕业于四川大学计算金融专业，现为卡内基梅隆大学（CMU）计算机科学博士生，导师为Zico Kolter。他长期专注于单步生成、动态系统与模型高效化，是MeanFlow、pMF等系列工作的核心作者。其个人主页显示“与Kaiming He有紧密合作”，两人已连续合作发表多篇单步生成领域的核心论文。

，香港中文大学（CUHK）博士生，师从徐强教授，主攻图像与视频生成、高效多模态模型。她在ICCV、SIGGRAPH等顶级会议上发表过多篇成果。

，博士毕业于麻省理工学院（MIT）计算机科学专业，现为OpenAI研究员。他是监督对比学习（SupContrast）等表征学习标志性工作的作者，曾任职于Google DeepMind。

，南加州大学（USC）助理教授，同时兼任英伟达研究科学家。他本科毕业于浙江大学，硕士毕业于加州大学圣地亚哥分校（UCSD），博士毕业于麻省理工学院（MIT），研究横跨3D视觉、生成模型与机器人。

论文已发布于arXiv：https://arxiv.org/abs/2604.28190