Fréchet 距离正被用于生成器后训练：它从分布层面对齐真实样本与生成样本，可以补充扩散或流匹配常用的样本级损失。但这篇工作指出，直接优化此类目标可能出现“Fréchet hacking”——指定指标持续改善，视觉质量以及其他特征空间中的 Fréchet 对齐却停滞甚至退化。
问题不只在指标，而在固定特征空间
现有 Fréchet 损失通常依赖预训练且保持静态的特征空间。作者认为，这类表示只能提供固定且不完整的观察角度，生成器因而可能针对特定特征空间优化，却没有真正缩小真实分布与生成分布之间更广泛的差异。换句话说，单个指标变好并不必然意味着视觉生成整体改善；当用于计算距离的表示本身不会变化时，生成器也更容易找到该表示未覆盖的方向。
AdvFD 把特征表示纳入对抗优化
AdvFD 在原有 FD-Loss 的静态表示目标之外，加入一个经过校准、可对抗学习的表示。该表示尝试最大化真实样本与生成样本之间的 Fréchet 差异，以主动寻找当前生成分布仍未对齐的方向；生成器则在这一自适应特征空间中最小化同一个差异，由此形成最小—最大优化。
一个直接风险是，可学习表示仅靠放大特征数值就能轻易抬高目标，而不是真正发现分布差异。为此，作者引入真实特征白化，对特征尺度和协方差几何进行归一化，以限制这种平凡解并稳定对抗训练。摘要报告称，AdvFD 在 JiT 与 pMF 两类骨干、不同模型规模上，都能持续改善一步生成器的后训练效果。
我的判断
这项工作的价值，在于把“评测所依赖的特征空间是否会被生成器适配”变成训练目标的一部分，而不是继续叠加固定指标。它更适合已经具备基础生成能力、需要通过分布级目标做一步生成器后训练的场景。边界也很明确：现有材料只说明了 JiT、pMF 和不同规模上的一致改善，没有给出具体增益、计算开销、训练稳定性细节，也无法判断对更多架构或多步生成流程是否同样有效。对抗表示能否学到与人类视觉判断一致的差异，仍需结合完整实验审慎评估。