DalšíDalší průvodce
Metriky kvality řeči PESQ a STOI
Zvuková AI
Technický PRŮVODCE
Špičkový poměr signálu k šumu shrnuje čtvercovou chybu na úrovni pixelu vzhledem k nejvyšší hodnotě obrazu, zatímco strukturální podobnost porovnává místní jas, kontrast a strukturu.
Poslechněte si tento návodAI-vyprávěný · ~3 min
Metriky zachycují různé vlastnosti a mohou nesouhlasit s lidským úsudkem, takže hodnocení kvality obrazu by mělo kombinovat metriky s inspekcí specifickou pro daný úkol.
Špičkový poměr signálu k šumu neboli PSNR vyjadřuje střední čtvercovou chybu pixelu na logaritmické decibelové stupnici vzhledem k maximální možné hodnotě pixelu. Vyšší PSNR znamená nižší druhou mocninu chyby pod specifikovanou reprezentací. Pomáhá porovnávat zarovnané obrázky s konzistentními rozsahy. Rozdíly v pixelech však zachází jednotně a nemodeluje všechny vjemové efekty. Malý posun v ostré hraně může způsobit podstatnou chybu v pixelech, i když obraz vypadá podobně, zatímco hladký výsledek může dobře skórovat i přes ztrátu textury, která je pro diváka nebo úkol důležitá. Strukturální podobnost, běžně SSIM, porovnává místní vzory prostřednictvím jasu, kontrastu a strukturních podmínek. Jeho design odráží myšlenku, že vnímaná podobnost závisí na více než hrubé chybě na pixel. SSIM se může v některých nastaveních lépe sladit s některými vizuálními úsudky, ale není to univerzální percepční orákulum. Jeho skóre závisí na možnostech implementace, jako je okno, měřítko, zpracování barev a agregace. Zkreslení, která jsou pro konkrétní aplikaci důležitá, nemusí být dobře zachycena. Metrické hodnoty mají smysl pouze s definovaným vyhodnocovacím protokolem. Obrázky by měly být prostorově zarovnány a vrchol nebo rozsah dat dodávaných do PSNR musí odpovídat zobrazení pixelů. Porovnání 8bitových hodnot s normalizovanými plovoucími hodnotami pomocí nesprávného rozsahu vede k neplatným výsledkům. Skóre může změnit také oříznutí okrajů, převod barevných prostorů a manipulace s alfa kanály. Nahlaste tyto volby spolu s výsledky. PSNR a SSIM mohou nesouhlasit, protože jeden měří chybu čtvercového pixelu, zatímco druhý zkoumá místní strukturu. Ani jedno neříká, zda rekonstruovaný snímek zachovává malou hranici nádoru, znak v dokumentu nebo funkci používanou automatizovaným systémem. Pro lékařské, vědecké aplikace nebo aplikace pro strojové učení zvolte další měření specifická pro daný úkol a zkontrolujte selhání. Použijte reprezentativní testovací sadu a vyhněte se opakovanému ladění proti ní. Pokud na odlehlých hodnotách záleží, ukažte spíše distribuce nebo hodnoty na obrázek než jen průměr. Metrika je důkazem o definované vlastnosti, není úplnou náhradou lidské kontroly nebo ověřování úkolů.
Srovnávací test komprese hlásí PSNR a SSIM při několika přenosových rychlostech a zároveň ukazuje reprezentativní plodiny pro vizuální kontrolu.
Systém pro potlačení šumu má vysoké PSNR, ale vyhlazuje malý text, což také vybízí k vyhodnocení čitelnosti po proudu.
Porovnání ve vysokém rozlišení používá stejný barevný prostor, zarovnání obrazu, oříznutí ohraničení a dynamický rozsah pro obě metriky.
Technik zaznamená, zda je SSIM zprůměrována přes okna, kanály, obrázky nebo snímky videa, aby byly výsledky reprodukovatelné.
Hodnocení kvality obrazu se posouvá k bohatším měřítkům vnímání a zaměřených na úkoly, včetně naučených metrik, ale tyto metody přinášejí svá vlastní trénovací data a doménové předpoklady. PSNR a SSIM zůstávají užitečné základní linie, protože jejich výpočty jsou interpretovatelné a reprodukovatelné, když jsou nastavení explicitní. Budoucí hodnotící zprávy mohou spíše zviditelnit neshody mezi metrikami, než sbalit kvalitu do jednoho čísla. Lidská kontrola a validace specifické pro aplikaci budou i nadále záležet na tom, kde jemné artefakty ovlivňují rozhodnutí. Zprávy mohou zobrazovat výsledky pro jednotlivé snímky, takže závažné lokální chyby zůstanou viditelné.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Špičkový poměr signálu k šumu shrnuje čtvercovou chybu na úrovni pixelu vzhledem k nejvyšší hodnotě obrazu, zatímco strukturální podobnost porovnává místní jas, kontrast a strukturu. Metriky zachycují různé vlastnosti a mohou nesouhlasit s lidským úsudkem, takže hodnocení kvality obrazu by mělo kombinovat metriky s inspekcí specifickou pro daný úkol.
PSNR používá střední druhou mocninu chyby vzhledem ke specifikované špičkové hodnotě.
Komponenty SSIM porovnávají místní jas, kontrast a strukturu.
Hodnota MAX se mění s celočíselnými nebo normalizovanými reprezentacemi.
Malý prostorový posun změní mnoho hodnot pixelů a zvýší MSE.
Obecné strukturální skóre nemůže stanovit každou vlastnost relevantní pro daný úkol.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Metriky kvality řeči PESQ a STOI
Zvuková AI