Fréchet inception distance (FID) är ett mått för att bedöma kvaliteten på AI-genererade bilder. Verkliga och genererade bilder körs genom ett förtränat bildigenkänningsnätverk (Inception v3), och de statistiska fördelningarna av deras egenskaper jämförs. Ju lägre värde, desto närmare verkliga foton ligger de genererade bilderna i realism och variation. FID infördes 2017 och är en standard för att jämföra bildgeneratorer.
Ett generative adversarial network (GAN) består av två neurala nätverk som tränas mot varandra: generatorn skapar artificiella data som bilder, och diskriminatorn försöker skilja dem från riktiga. Genom den här tävlingen blir resultaten alltmer realistiska. GAN introducerades 2014 och präglade bildgenereringen innan diffusionsmodeller blev mer utbredda; de används till exempel för syntetiska träningsdata eller bildförbättring.
Stable Diffusion är en familj av bildgenereringsmodeller som skapar bilder utifrån en textbeskrivning. Den första versionen släpptes 2022 och utvecklades under ledning av Stability AI tillsammans med forskningspartner. Tekniskt är det en latent diffusionsmodell som gradvis förvandlar bildbrus till en bild. Eftersom modellens vikter är publicerade kan den köras och anpassas lokalt; kommersiell användning av nyare versioner regleras av Stability AI:s egen licens (läget i oktober 2026).
Inom AI innebär benchmarking att systematiskt jämföra modeller eller system med hjälp av definierade uppgifter och kriterier. Offentliga benchmarks mäter till exempel allmänkunskap, resonemangsförmåga eller programmeringsförmåga; för praktisk användning är dock testfall från den egna vardagen viktigast. Typiska kriterier är korrekthet, fullständighet, svarstid och kostnad. Det hjälper till att avgöra om en mindre, billigare modell räcker för en uppgift.
Bildigenkänning är ett område inom datorseende där programvara identifierar vad en bild visar – föremål, personer, text, logotyper eller scener. Den bygger oftast på neurala nätverk som tränats på stora mängder märkta bilder. Användningsområdena sträcker sig från kvalitetskontroll i tillverkningen och sortering av produktfoton till stöd vid medicinsk bilddiagnostik. Vid bilder på människor kräver dataskydd och möjlig bias särskild uppmärksamhet.
