Fréchet Inception Distance（FID）的样本最优估计研究

针对生成模型评估中 FID 经验估计量的有限样本偏差，新研究提出相对泰勒去偏算法 RTD，实现了理论最优的 $O(\frac{d}{\epsilon^2})$ 样本复杂度。在 ImageNet 测试中，RTD 在标准 50K 样本预算下取得最低平均估计误差，二阶外推估计量 VALE$_2$ 仅用 10K 样本便达到 FID$_\infty$ 在 50K 样本下的相当精度，相关代码已开源。