定義
FVDとは、生成動画と実写動画それぞれの特徴量分布の差を数値化し、動画生成AIの品質を測る評価指標のこと。
FVD (動画生成の品質指標)とは（詳しく解説）
FVD（Fréchet Video Distance）は、Fréchet Inception Distance（FID）の動画版として提案された指標で、事前学習済みの動画認識モデルから抽出した特徴量を用いて、生成動画と実写動画の分布間の距離を測る。値が小さいほど時間的な自然さや動きの一貫性を含めて実写に近いとされ、Text-to-Video系モデルの研究で標準的なベンチマークとして広く採用されている。ただし2026年時点の実運用では注意点も多い。FVDは特徴抽出に使う事前学習モデルやフレーム数・解像度の前提に強く依存し、実装が異なると同じ生成結果でも数値が大きくぶれるとされるため、単独の絶対値だけで品質を語るのは危うい。計算コストも軽くなく、大量の動画サンプルと推論時間が必要になるため、現場では日次のA/Bテストより、モデル更新時のリグレッション確認や月次のモデル選定といった節目で使うのが現実的な選び方とされる。人手評価やCLIP系の意味整合性指標と併用し、単一指標に依存しない複合評価が相場感として推奨される。
FVD (動画生成の品質指標)の使用例
- モデルAとモデルBのFVDを比較し、動きの自然さの差を定量的に確認する。
- 論文のText-to-Video評価表でFVD(↓)が併記されている場合、値が小さいほど高品質とされる。
