# Porównanie rozkładów obrazów prawdziwych i wygenerowanych (FID, CMMD)

EN: **Distribution-level image generation metrics (FID, KID, CMMD)** · id `fidmetrics` · aliases: distribution-based generative media metrics, distributional image generation metrics, metryki rozkładowe generowania obrazów

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Ewaluacja i interpretowalność](https://aiatlasgraph.com/t/evaluation.md) › [Ewaluacja generowanych obrazów, wideo i mowy](https://aiatlasgraph.com/t/genmediaeval.md) › Porównanie rozkładów obrazów prawdziwych i wygenerowanych (FID, CMMD)

## Description

- PL: Metryki porównujące rozkład cech obrazów wygenerowanych i prawdziwych w przestrzeni wyuczonego enkodera; FID zakłada rozkład normalny, KID i CMMD używają MMD.
- EN: Metrics comparing feature distributions of generated and real images in a learned encoder space; FID assumes Gaussians, KID and CMMD use MMD.

## In one sentence

- PL: Liczba mówiąca, jak bardzo cały zbiór wygenerowanych obrazów różni się od zbioru prawdziwych zdjęć.
- EN: A number saying how much a whole set of generated pictures differs from a set of real photos.

## Problem it solves

- PL: Przejrzenie tysięcy wygenerowanych obrazów zajmuje dni, a jednocześnie trzeba szybko porównać kolejne wersje modelu.
- EN: Looking through thousands of generated pictures takes days, yet each new model version needs a quick comparison.

## What it does

- PL: Działa jak porównanie dwóch tłumów na zdjęciu z lotu ptaka: nie ocenia osób, tylko czy oba tłumy mają podobny skład.
- EN: Like comparing two crowds from above: it does not judge individuals, only whether both crowds have a similar mix.

## Everyday example

- PL: Zespół trenuje generator zdjęć produktów i po każdej nocy treningu sprawdza jedną liczbą, czy obrazy zbliżyły się do prawdziwych.
- EN: A team training a product-photo generator checks one number after each night of training to see whether images moved closer to real ones.

## This concerns you if you…

- PL: trenujesz lub dostrajasz generator obrazów
- PL: czytasz tabele wyników porównujące modele obrazu
- EN: train or fine-tune an image generator
- EN: read result tables comparing image models

## Keywords

Fréchet Inception Distance · Inception-v3 · Kernel Inception Distance · CMMD · maximum mean discrepancy · CLIP embeddings · clean-fid · precision and recall for generative models

## How it works

- PL: Oba zbiory obrazów przepuszcza się przez sieć ekstrahującą cechy. FID dopasowuje do cech rozkłady normalne i liczy odległość Frécheta między nimi. CMMD używa osadzeń CLIP i odległości MMD z jądrem RBF, bez założenia normalności.
- EN: Both image sets pass through a feature-extracting network. FID fits Gaussians to the features and computes the Fréchet distance between them. CMMD uses CLIP embeddings and MMD with an RBF kernel, without a normality assumption.

## Limits

- PL: Wynik zależy od ekstraktora cech, liczby próbek i szczegółów implementacji, więc wartości z różnych prac bywają nieporównywalne. Autorzy CMMD raportują, że FID nie zgadza się z ocenami ludzi przy nowoczesnych modelach tekst–obraz. Metryka nie mierzy zgodności z poleceniem.
- EN: Scores depend on the feature extractor, sample count and implementation details, so values across papers are often incomparable. CMMD authors report FID disagreeing with human raters on modern text-to-image models. It does not measure prompt adherence.

## Key terms

- PL: **odległość Frécheta**: Miara różnicy między dwoma rozkładami normalnymi: średnimi i rozrzutem.
- PL: **MMD**: Różnica średnich dwóch zbiorów po przekształceniu jądrem; nie zakłada kształtu rozkładu.
- PL: **ekstraktor cech**: Wytrenowana sieć zamieniająca obraz na wektor liczb.
- EN: **Fréchet distance**: Difference between two Gaussian distributions: their means and spreads.
- EN: **MMD**: Kernel-based difference of two sets' means; assumes no distribution shape.
- EN: **feature extractor**: A trained network that turns an image into a vector of numbers.

## Know first

- [Rozkłady prawdopodobieństwa (Probability distributions)](https://aiatlasgraph.com/t/distributions.md)

## Sources

- [Rethinking FID: Towards a Better Evaluation Metric for Image Generation](<https://arxiv.org/abs/2401.09603>) `rethinking-fid-cmmd-2024` · by Sadeep Jayasumana, Srikumar Ramalingam, Andreas Veit, Daniel Glasner, Ayan Chakrabarti, Sanjiv Kumar
- [GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium](<https://arxiv.org/abs/1706.08500>) `fid-ttur-2017` · by Martin Heusel, Hubert Ramsauer, Thomas Unterthiner, Bernhard Nessler, Sepp Hochreiter
- [Demystifying MMD GANs](<https://arxiv.org/abs/1801.01401>) `kid-mmd-2018` · by Mikołaj Bińkowski, Danica J. Sutherland, Michael Arbel, Arthur Gretton

---

AI Atlas revision 130 (2026-11-06) · HTML: https://aiatlasgraph.com/t/fidmetrics · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-11-06