Šiame straipsnyje pateikiami trimačių modelių generavimo GAN neuroniniu tinklu įvertinimo metodai. Dažnu atveju generatyviniai tinklai neturi aiškių gairių ir patarimų kaip įvertinti generuojamus modelius. Toks trūkumas apsunkina vertinimą ir reikalauja remtis vizualiu kiekvieno modelio patikrinimu. Norint iš tikrųjų įvertinti 3D modelio kokybę, modelio vertinimą reikia traktuoti kaip pastovų procesą ir apibrėžti nekintamus kriterijus. Šių kriterijų pagalba visiems tiriamiems modeliams būtų sukurtos vienodos vertinimo sąlygos, o rezultatai nepriklausytų nuo vertinančio žmogaus nešališkumo ir patirties. GAN sugeneruoto rezultato tikslumui ir realumui įvertinti pritaikomos Sørensen – Dice ir Jaccard atstumo metrikos. Iškeliami esminiai šių metrikų taikymo iššūkiai ir nagrinėjami veiksniai darantys įtaką metrikų galutiniam įverčiui. Gauti rezultatai sudaro prielaidas tolimesnių tyrimų vykdymui.