非参数化模型：KNN－GIQA：
此外，我们还可以用K近邻（KNN）来对真实数据分布在特征层面建模。对于待测图片I及其提取的特征x，若它与真实图片距离越近，表示其出现的概率高，也就表示其质量高。
在我们收集的LGIQA质量评估数据集上，GMM－GIQA能取得最好的结果，远远超过传统的图像质量评估的方法。我们也最推荐大家使用GMM－GIQA的方法。我们也展示了图片显示我们的方法筛选出的图片相比传统的方法更符合人类的认知。
我们的方法还有很多衍生应用。其中一个是模型质量评估。对于生成模型，我们可以独立地衡量生成图片的质量和多样性。一批生成图片的质量的平均值可以用来衡量模型的生成图片质量，我们称之为Quality Score（QS）。
相似的，我们用一批真实图片在生成图片中的质量衡量的平均值当成模型多样性的衡量Diversity Score（DS）。
我们用这些方法在unconditional GAN和conditional GAN上有验证了其有效性。
