要评估图像生成模型的质量，常见的方法有以下几种：

  1. 主观评估：将生成的图像呈现给人类评估者，让他们根据自己的主观印象对图像的质量进行评价。可以采用主观评分量表，例如1-5分，评价图像的真实性、清晰度、逼真度等。

  2. 对抗性评估：利用对抗性样本来评估模型的性能。通过生成对抗网络（GAN）的方法，构建一个评价器（discriminator）来区分真实图像和生成图像。一个好的生成模型应能生成以假乱真的图像，迷惑评价器使其无法准确区分真伪。

  3. 评估指标：常用的评估指标包括结构相似性（SSIM）、峰值信噪比（PSNR）和感知评价指标（如FID、Inception score等）。SSIM用于衡量图像的结构相似性，PSNR用于衡量噪声和失真的程度。FID和Inception score基于预训练的分类模型，通过计算图像生成模型生成的图像与真实图像之间的相似性评估模型的质量。

  4. 数据集分割：将生成的图像与真实图像进行分割，以便对比不同部分的真实性和细节。在分割中，可以使用一些先进的图像分割算法，如U-Net、Mask R-CNN等。

  5. 改进训练方法：不断改进图像生成模型的训练方法，如增加训练数据、调整超参数、改进网络结构等。通过观察生成效果的变化，评估模型性能的提升与否。

  综上所述，评估图像生成模型的质量需要综合考虑主观评估、客观评估指标以及对抗性评估等多个方面，并结合所用任务的需求来综合判断模型质量的优劣。