연구진은 프레셰 거리(FD)를 학습 목표로 활용할 때, 표현 공간에서 효과적으로 최적화할 수 있음을 보여줬어요. FD-loss 방식을 통해 기존 생성기를 추가 학습하거나, 멀티 스텝 생성기를 강력한 싱글 스텝 생성기로 전환하는 등 긍정적인 결과를 얻었어요. 프레셰 거리가 시각적 품질을 잘못 평가할 수 있다는 점을 발견하고, 이를 개선하기 위해 여러 표현 방식을 활용하는 FDr$^k$ 메트릭을 제안했어요.