FID（Frechet Inception Distance score）
是计算真实图像和生成图像的特征向量之间距离的一种度量。
首先用预训练的Inception v3分别生成真实图像（real images）和生成图像（synthetic images）的特征向量（默认dim=2048）
然后用Frechet 距离（又称 Wasserstein-2 距离）计算得到的两个特征向量分布，公式如下
mu代表向量均值，||^2代表平方和，C代表协方差矩阵
最大均值差异（Maximum Mean Discrepancy，MMD）
用于衡量生成数据和真实数据分布之间的差异大小，数值范围为[0,1]，数值越大说明两个分布之间差异越大。
通过计算两个分布在同一函数上的输出来得出差异。
1 最近邻算法（1-Nearest Neighbor，1NN）
用于对生成数据和真实数据进行二分类
将距离（L2）自己最近的元素的label作为自己的label
多层结构相似性（Multi-Scale Structural Similarity index，MS-SSIM）
用于在不同的缩放比下衡量两幅图像之间的相似性，可以计算生成数据的多样性
均交并比（Mean Intersection over Union，mIoU）
计算方法为分割预测值和分割真值的交集与并集之比
Dice 系数（Dice Coefficient）
计算方式为二倍分割预测值和分割真值的交集与预测值和真值之和的比
