Kvíz spojený s průvodcem · Střední úroveň

Percepční ztráta a LPIPS kvíz

Prozkoumejte porovnávání obrazu založené na vlastnostech, lidskou kalibraci LPIPS, normalizované funkce, vstupní konvence a limity skóre vjemové vzdálenosti.

Související vodicí cestyPercepční ztráta A Lpips
Otázka 1 z 8

Proč ztráta L2 založená na pixelech často špatně hodnotí podobnost obrazu ve srovnání se ztrátou vnímání?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Proč ztráta L2 založená na pixelech často špatně hodnotí podobnost obrazu ve srovnání se ztrátou vnímání?
    • Penalizuje drobné posuny a změny textury, které si lidé sotva všimnou
    • Na to, aby to bylo praktické, běží příliš pomalu
    • Může porovnávat pouze obrázky ve stupních šedi
    • K výpočtu vyžaduje předem připravenou síť
  2. Co LPIPS primárně porovnává mezi dvěma obrázky?
    • Nezpracované hodnoty pixelů RGB
    • Velikosti souborů po kompresi
    • Aktivace z mezivrstvy předtrénované sítě
    • Barevné histogramy
  3. Jak byly stanoveny váhy na kanál v LPIPS?
    • Ve výchozím nastavení nastaveno na všechny
    • Kalibrováno proti úsudkům lidské percepční podobnosti
    • Ručně laděno autory
    • Odvozeno z kompresních tabulek 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. Která páteřní síť je nejčastěji spojována s klasickou percepční (funkcí) ztrátou?
    • ResNet-152
    • YOLO
    • VGG
    • U-Net
  6. Který úkol nejvíce přímo těží z použití percepční ztráty místo čisté L2?
    • Fotorealistické super-rozlišení
    • Počítání pixelů na obrázku
    • Čtení EXIF metadat
    • Řazení obrázků podle názvu souboru
  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