clean-fid

让 FID 分数更可信，生成模型评估不踩坑

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署图像生成 🍴 复刻 79 🐛 待处理 34 👀 关注 7

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 1171

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，MIT许可证，完全免费，可自行部署使用。

项目预览

项目数据

分类图像生成

开发团队GaParmar

官网地址https://www.cs.cmu.edu/~clean-fid

GitHubhttps://github.com/GaParmar/clean-fid

定价模式🏷️完全免费

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议MIT

主要语言Python

技术栈/模型computer-graphics,computer-vision,deep-learning,fid,fid-calculation,fid-score,frechet-distance,frechet-inception-distance,gan,generative-adversarial-network,image-generation,image-manipulation,pytorch

GitHub 星标★ 1171

上线时间2021-04-23 00:00:00

代码更新2025-08-02

仓库体积4.7 MB

本站数据更新2026-11-08

维护状态低维护

收录时间2026-08-09

浏览次数4

项目介绍

clean-fid 是一个用于计算 FID（Frechet Inception Distance）分数的 PyTorch 工具库，由 CVPR 2022 论文提出。它解决了传统 FID 计算中因图像预处理（如缩放和量化）不一致而导致的分数偏差问题，使得不同方法之间的 FID 分数具有可比性。核心能力包括：提供与原始 FID 实现一致的图像处理流程（双线性插值、量化到 [0,255]），支持从文件夹或内存中加载图像，并内置多种数据集（如 ImageNet、CIFAR-10）的统计特征，方便快速评估生成模型。该库接口简洁，易于集成到现有训练或评估流程中，是生成模型研究社区广泛使用的标准评估工具。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 1171

技术标签

computer-graphics computer-vision deep-learning gan generative-adversarial-network

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：入门约 5 分钟部署方式：库/依赖 3 步

环境要求

Python 环境（项目使用 Python 语言开发）
已安装 pip 包管理工具
已安装 PyTorch（clean-fid 为 PyTorch 工具库）
可访问 PyPI 的网络环境

安装与启动步骤

1安装 clean-fid

使用 pip 从 PyPI 安装该库，README 的 Quick Start 给出的唯一安装方式，建议在虚拟环境中执行。
```
pip install clean-fid
```
2确认安装结果

查看已安装包的信息，确认 clean-fid 出现在列表中且版本号正常，说明安装成功。
```
pip show clean-fid
```
3查阅 FID 计算示例

README 提供 Computing FID 章节与 Colab-FID 示例，按其中代码调用即可计算分数，本段未给出具体接口。

如何确认成功

执行 pip show clean-fid，能输出该包的名称、版本和安装路径即表示安装成功。

常见问题

Q：计算 FID 需要自己准备数据集统计特征吗？

A：不需要。该库内置了 ImageNet、CIFAR-10 等常用数据集的统计特征，可直接用于评估，省去自行统计的步骤。

Q：为什么不同论文的 FID 分数没有可比性？

A：不同实现使用的图像缩放与量化方式不一致，尤其缩放函数常实现错误。clean-fid 统一采用双线性插值与量化到 [0,255] 的流程来消除偏差。

Q：除了 FID 还支持哪些指标？

A：README 中另提供 Computing KID 章节，并新增了使用 CLIP 特征计算 FID 的支持，可参考对应章节使用。

Q：不想本地安装可以先试用吗？

A：可以。README 提供了 Colab-FID 与 Colab-Resize 两个在线笔记本链接，可直接在浏览器中运行体验。

注意事项

README 中未给出除 pip install clean-fid 之外的其他安装方式，不建议自行尝试源码安装。
具体 API 调用与参数请以 README 的 Computing FID、Computing KID、Computing CLIP FID 章节及官网文档为准。
使用前请确保 PyTorch 环境正常，否则库无法运行。
详细说明可参考官网 https://www.cs.cmu.edu/~clean-fid 及论文 arXiv:2104.11222。