Тест, свързан с ръководство · Среден Ниво

Тест за загуба на възприятие и LPIPS

Разгледайте сравняване на изображения, базирано на функции, LPIPS човешко калибриране, нормализирани функции, конвенции за въвеждане и границите на резултата за перцептивно разстояние.

Свързани ръководни пътекиЗагуба на възприятие и Lpips
Въпрос 1 на 8

Защо базираната на пиксели L2 загуба често преценява погрешно сходството на изображението в сравнение със загубата на възприятие?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Защо базираната на пиксели L2 загуба често преценява погрешно сходството на изображението в сравнение със загубата на възприятие?
    • Той санкционира малки смени и промени в текстурата, които хората едва забелязват
    • Работи твърде бавно, за да е практично
    • Може да сравнява само изображения в сива скала
    • Изисква предварително обучена мрежа за изчисление
  2. Какво основно сравнява LPIPS между две изображения?
    • Необработени RGB пикселни стойности
    • Размери на файлове след компресиране
    • Активации от междинни слоеве на предварително обучена мрежа
    • Цветни хистограми
  3. Как са определени теглата на канал в LPIPS?
    • Задайте всички едно по подразбиране
    • Калибриран спрямо преценките за подобие на човешкото възприятие
    • Ръчно настроен от авторите
    • Извлечено от таблици за компресиране на JPEG
  4. What does a lower LPIPS value indicate for a tested image pair?
    • Proof that the two images have identical pixels
    • A guarantee that every human will prefer the lower-scoring image
    • A measurement of the images' compressed file size
    • A smaller distance under the chosen learned perceptual metric
  5. Коя опорна мрежа най-често се свързва с класическа загуба на възприятие (характеристика)?
    • ResNet-152
    • ЙОЛО
    • VGG
    • U-Net
  6. Коя задача има най-директна полза от използването на перцептивна загуба вместо чист L2?
    • Фотореалистична супер-резолюция
    • Преброяване на пиксели в изображение
    • Четене на EXIF метаданни
    • Сортиране на изображения по име на файл
  7. What image-input convention does the official LPIPS Python example specify?
    • Raw compressed JPEG bytes used directly as feature maps
    • Only filename strings with no decoded image data
    • A single grayscale class label for each image
    • RGB tensors with image values scaled to the range minus one to plus one
  8. Which differences receive learned per-channel weighting inside LPIPS?
    • Differences between the images' filename lengths
    • Squared differences between normalized deep feature representations
    • Only differences between JPEG quality settings
    • Only the number of object class labels predicted