PPR-2604.28190 Paper

定位

Yang、Geng、Ju、Tian、Wang（arXiv 2026）提出 Representation Fréchet Loss（FD-loss）。论文要回答的是：长期被认为不适合当训练目标的 Fréchet 距离（FD），在表征空间里其实可以被有效优化。关键想法很简单：把 FD 估计所用的样本量（如 50k）与计算梯度所用的样本量（如 1024）解耦。作者称该做法为 FD-loss，并报告三点发现：一是用 FD-loss 在不同表征空间后训练基础生成器能一致提升视觉质量（在 Inception 特征空间下，一步生成器在 ImageNet \(256\times256\) 上达到相应 FID）；二是同一 FD-loss 能把多步生成器改造成强的一步生成器，且不需要教师蒸馏、对抗训练或逐样本目标；三是 FID 会错排视觉质量——更现代的表征可以给出更好的样本却有更差的 Inception FID，这促使作者提出一个多表征度量。

方法（机制要点）

• 估计/梯度样本量解耦：FD 估计用大样本、梯度计算用小样本，使 FD 作为训练目标可行。
• 表征空间泛化：FD-loss 可用于不同表征空间，后训练基础生成器。
• 一步化：把多步生成器转成一步，无需教师/对抗/逐样本目标。
• 评估启示：FID 的单表征度量可错排质量，需多表征度量。

与本库的关系

PPR-2607.02375（RDM）把本工作点名为 RDM 范式的先前实例之一（“the Fréchet-distance loss keeps only the first two moments, precomputed over the full dataset”），并把它与 drifting field 对比：FD-loss 冻结全局数据侧参考（正确做法），但压到两个矩，可能在校正饱和时图像仍有缺陷。本卡为该命名提供库内锚点。

承重关系

• 谱系定位：RDM（PPR-2607.02375）先前实例之一；与 Drifting（PPR-2602.04770）、W-Flow（PPR-2605.11755）同属该范式。
• provenance：v1 tarball sha256 3e45c101…53edc856，缓存 cache/sources/2604.28190/。