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.
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.
- 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
- Co LPIPS primárně porovnává mezi dvěma obrázky?
- Nezpracované hodnoty pixelů RGB
- Velikosti souborů po kompresi
- Aktivace z mezivrstvy předtrénované sítě
- Barevné histogramy
- 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
- 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
- Která páteřní síť je nejčastěji spojována s klasickou percepční (funkcí) ztrátou?
- ResNet-152
- YOLO
- VGG
- U-Net
- 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
- 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
- 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