Fréchet inception distance (FID) er en måleværdi til vurdering af kvaliteten af AI-genererede billeder. Virkelige og genererede billeder sendes gennem et fortrænet billedgenkendelsesnetværk (Inception v3), og de statistiske fordelinger af deres features sammenlignes. Jo lavere værdi, desto tættere er de genererede billeder på virkelige fotos i realisme og variation. FID blev introduceret i 2017 og er en standard til sammenligning af billedgeneratorer.
Et generative adversarial network (GAN) består af to neurale netværk, der trænes mod hinanden: Generatoren skaber kunstige data som f.eks. billeder, og diskriminatoren forsøger at skelne dem fra rigtige. Gennem denne kappestrid bliver resultaterne stadig mere realistiske. GAN'er blev introduceret i 2014 og prægede billedgenerering, før diffusionsmodeller blev mere udbredte; de bruges f.eks. til syntetiske træningsdata eller billedforbedring.
Stable Diffusion er en familie af billedgenereringsmodeller, der skaber billeder ud fra en tekstbeskrivelse. Den første version udkom i 2022, udviklet under ledelse af Stability AI sammen med forskningspartnere. Teknisk er det en latent diffusionsmodel, der gradvist omdanner billedstøj til et billede. Fordi modelvægtene er offentliggjort, kan den køres og tilpasses lokalt; kommerciel brug af nyere versioner er reguleret af Stability AI's egen licens (pr. oktober 2026).
Inden for AI betyder benchmarking en systematisk sammenligning af modeller eller systemer ud fra definerede opgaver og kriterier. Offentlige benchmarks måler for eksempel almen viden, ræsonnement eller programmeringsevner; til praktisk brug er testcases fra din egen hverdag dog det vigtigste. Typiske kriterier er nøjagtighed, fuldstændighed, svartid og omkostninger. Det hjælper med at afgøre, om en mindre og billigere model er god nok til en opgave.
Billedgenkendelse er et område inden for computer vision, hvor software identificerer, hvad et billede viser – objekter, personer, tekst, logoer eller scener. Det bygger som regel på neurale netværk, der er trænet på et stort antal mærkede billeder. Anvendelserne spænder fra kvalitetskontrol i produktionen og sortering af produktfotos til understøttelse af medicinsk billeddiagnostik. Ved billeder af personer kræver databeskyttelse og mulig bias særlig opmærksomhed.
