规避视觉生成的「指标作弊」：AdvFD 提出对抗式 Fréchet 距离损失

kwangmoo_yi · x · 2026-08-13

直接使用 Fréchet 距离（FD）作为生成器的后训练损失函数，容易导致 Fréchet Hacking（指标作弊）现象：模型在特定静态特征空间中的指标持续优化，但整体视觉质量反而停滞或下降。

为解决此问题，北京大学与快手可灵 AI Research 联合提出 AdvFD（Adversarial Fréchet Distance）。该方法引入了一个可学习的表征网络，通过对抗训练（Min-Max 优化）动态寻找生成器与真实分布差异最大的特征空间，从而提供更全面的监督。同时，为防止该网络通过放大特征来虚抬目标指标，研究团队加入了真实特征白化操作以稳定训练。实验表明，该方法在 JiT 和 pMF 等骨干网络的一步生成器后训练中取得了稳定的视觉质量提升。