우리는 정규화 흐름(normalizing flows) 기반으로 생성된 이미지의 실제성(realness)을 평가하기 위해 두 가지 새로운 평가 지표를 제안한다. 첫째, 보다 간단하고 효율적인 흐름 기반 가능도 거리(Flow-based Likelihood Distance, FLD)이며, 둘째, 더 정확한 이중 흐름 기반 가능도 거리(Dual-flow based Likelihood Distance, D-FLD)이다. 정규화 흐름은 정확한 가능도를 계산할 수 있기 때문에, 제안하는 지표들은 생성된 이미지가 특정 도메인의 실제 이미지 분포와 얼마나 유사한지를 평가할 수 있다. 이 특성은 기존에 널리 사용되는 프레셰 인셉션 거리(Fréchet Inception Distance, FID) 및 기타 최신 지표들과 비교해 몇 가지 장점을 제공한다. 첫째, FID는 수만 개 이상의 이미지가 필요하지만, 다른 지표들도 적어도 수천 개 이상이 필요하나, 제안하는 지표는 수백 개의 이미지만으로도 평균적으로 안정화(수렴)되므로, 학습 루프 내의 검증 배치와 같은 소규모 생성 이미지 세트에 대해서도 신뢰할 수 있는 평가가 가능하다. 둘째, FID를 계산하기 위해 사용되는 Inception-V3보다 제안하는 지표를 계산하는 네트워크의 파라미터 수가 한 자릿수 이상 적어 계산 효율성이 뛰어나다. 새로운 도메인(예: X선 이미지)에서 생성된 이미지의 실제성을 평가할 경우, 이상적으로는 해당 도메인의 실제 이미지로 네트워크를 재학습하여 고유한 분포를 모델링해야 한다. 이 경우, 더 작은 크기의 제안 네트워크는 새로운 도메인에 더욱 유리하게 작용할 수 있다. 광범위한 실험 결과는 제안하는 지표들이 다양한 종류의 이미지 품질 저하 정도와 원만한 단조성(monotonicity) 관계를 갖는다는 것을 입증한다.