论文阅读：Seeing What a GAN Cannot Generate

虽然GAN很成功，但是模式崩塌的问题依然存在，本文是从分布级和实例级上对模式崩塌进行了可视化。

1.方法

1.1在分布级上量化模式崩塌

本文部署了一个语义分割网络（统一感知解析网络），分割生成图像和真实数据集中的图像，比较分割出来的类别的分布。统计数据的差异能够揭示GAN忽视的目标类别。统计数据的差别作者采用了两种方法来体现。第一种是在图像样本上，我们测量每个对象类别的总面积（以像素为单位），并收集所有分段对象类别的均值和协方差统计信息，可视化了两个网络的均值统计，比较差别。

mean area表明的是类别的面积，红色是生成图像中各个类别的平均面积，蓝色是真实数据集中各个类别的平均面积。relative delta表明的是相关偏差，即比较生成图像和真实图像中类别的比例，图中的纵坐标也给出了相关的计算公式。从直方图可以看出，WGAN-GP比StyleGAN偏离真实分布更多

第二种是定义了弗雷切特分割距离（FSD），用单个数字总结的统计差异，公式是