आगेअगली गाइड
PESQ और STOI भाषण गुणवत्ता मेट्रिक्स
ऑडियो एआई
तकनीकी गाइड
पीक सिग्नल-टू-शोर अनुपात एक छवि के शिखर मूल्य के सापेक्ष पिक्सेल-स्तरीय वर्ग त्रुटि का सारांश देता है, जबकि संरचनात्मक समानता स्थानीय चमक, कंट्रास्ट और संरचना की तुलना करती है।
इस गाइड को सुनेंएआई-नैरेटेड · ~3 min
मेट्रिक्स विभिन्न गुणों को कैप्चर करते हैं और मानवीय निर्णय से असहमत हो सकते हैं, इसलिए छवि-गुणवत्ता मूल्यांकन को मेट्रिक्स को कार्य-विशिष्ट निरीक्षण के साथ जोड़ना चाहिए।
पीक सिग्नल-टू-शोर अनुपात, या पीएसएनआर, अधिकतम संभव पिक्सेल मान के सापेक्ष लघुगणकीय डेसीबल पैमाने पर माध्य वर्ग पिक्सेल त्रुटि व्यक्त करता है। उच्च पीएसएनआर का मतलब निर्दिष्ट प्रतिनिधित्व के तहत कम वर्ग त्रुटि है। यह सुसंगत श्रेणियों के साथ संरेखित छवियों की तुलना करने में मदद करता है। हालाँकि, यह पिक्सेल अंतर को समान रूप से मानता है और सभी अवधारणात्मक प्रभावों को मॉडल नहीं करता है। तेज धार में एक छोटा सा बदलाव पर्याप्त पिक्सेल त्रुटि पैदा कर सकता है, भले ही छवि समान दिखती हो, जबकि एक दर्शक या कार्य के लिए महत्वपूर्ण बनावट खोने के बावजूद एक सहज परिणाम अच्छा स्कोर कर सकता है। संरचनात्मक समानता, आमतौर पर एसएसआईएम, चमक, कंट्रास्ट और संरचना शर्तों के माध्यम से स्थानीय पैटर्न की तुलना करती है। इसका डिज़ाइन इस विचार को दर्शाता है कि कथित समानता कच्ची प्रति-पिक्सेल त्रुटि से कहीं अधिक पर निर्भर करती है। एसएसआईएम कुछ सेटिंग्स में कुछ दृश्य निर्णयों के साथ बेहतर ढंग से संरेखित हो सकता है, लेकिन यह एक सार्वभौमिक अवधारणात्मक दैवज्ञ नहीं है। इसका स्कोर कार्यान्वयन विकल्पों जैसे विंडोिंग, स्केल, रंग प्रबंधन और एकत्रीकरण पर निर्भर करता है। किसी विशेष अनुप्रयोग के लिए महत्वपूर्ण विकृतियाँ अच्छी तरह से पकड़ी नहीं जा सकतीं। मीट्रिक मान केवल एक परिभाषित मूल्यांकन प्रोटोकॉल के साथ ही समझ में आते हैं। छवियों को स्थानिक रूप से संरेखित किया जाना चाहिए, और पीएसएनआर को आपूर्ति की गई शिखर या डेटा रेंज पिक्सेल प्रतिनिधित्व से मेल खाना चाहिए। गलत श्रेणी का उपयोग करके सामान्यीकृत फ़्लोट्स के साथ 8-बिट मानों की तुलना करने से अमान्य परिणाम उत्पन्न होते हैं। सीमाओं को काटना, रंग स्थानों को परिवर्तित करना और अल्फा चैनलों को संभालने से भी स्कोर बदल सकते हैं। परिणामों के साथ इन विकल्पों की रिपोर्ट करें। पीएसएनआर और एसएसआईएम असहमत हो सकते हैं क्योंकि एक वर्ग पिक्सेल त्रुटि को मापता है जबकि दूसरा स्थानीय संरचना की जांच करता है। न तो यह बताता है कि एक पुनर्निर्मित छवि एक छोटी ट्यूमर सीमा, दस्तावेज़ में एक चरित्र, या एक स्वचालित प्रणाली द्वारा उपयोग की जाने वाली सुविधा को संरक्षित करती है या नहीं। चिकित्सा, वैज्ञानिक या मशीन-शिक्षण अनुप्रयोगों के लिए, अतिरिक्त कार्य-विशिष्ट माप चुनें और विफलताओं का निरीक्षण करें। एक प्रतिनिधि परीक्षण सेट का उपयोग करें और इसके विरुद्ध बार-बार ट्यूनिंग से बचें। जब आउटलेर्स मायने रखते हैं तो केवल माध्य के बजाय वितरण या प्रति-छवि मान दिखाएं। मीट्रिक किसी परिभाषित संपत्ति के बारे में साक्ष्य है, न कि मानव समीक्षा या कार्य सत्यापन का पूर्ण विकल्प।
एक संपीड़न बेंचमार्क पीएसएनआर और एसएसआईएम को कई बिटरेट पर रिपोर्ट करता है जबकि दृश्य समीक्षा के लिए प्रतिनिधि फसलें भी दिखाता है।
एक डीनोइज़िंग सिस्टम में उच्च पीएसएनआर होता है लेकिन छोटे पाठ को सुचारू बनाता है, साथ ही डाउनस्ट्रीम पठनीयता के मूल्यांकन को भी प्रेरित करता है।
एक सुपर-रिज़ॉल्यूशन तुलना दोनों मेट्रिक्स के लिए समान रंग स्थान, छवि संरेखण, बॉर्डर क्रॉप और डायनामिक रेंज का उपयोग करती है।
एक इंजीनियर रिकॉर्ड करता है कि परिणामों को पुन: प्रस्तुत करने योग्य बनाने के लिए एसएसआईएम को विंडोज़, चैनल, छवियों या वीडियो फ्रेम पर औसत किया गया है या नहीं।
छवि-गुणवत्ता मूल्यांकन सीखे गए मेट्रिक्स सहित समृद्ध अवधारणात्मक और कार्य-जागरूक उपायों की ओर बढ़ रहा है, लेकिन वे विधियां अपने स्वयं के प्रशिक्षण डेटा और डोमेन धारणाएं लाती हैं। पीएसएनआर और एसएसआईएम उपयोगी आधार रेखाएं बनी हुई हैं क्योंकि सेटिंग्स स्पष्ट होने पर उनकी गणना व्याख्या योग्य और प्रतिलिपि प्रस्तुत करने योग्य होती है। भविष्य की मूल्यांकन रिपोर्टें गुणवत्ता को एक संख्या में विभाजित करने के बजाय मेट्रिक्स के बीच असहमति को दृश्यमान बना सकती हैं। जहां सूक्ष्म कलाकृतियां निर्णयों को प्रभावित करती हैं वहां मानव निरीक्षण और एप्लिकेशन-विशिष्ट सत्यापन मायने रखता रहेगा। रिपोर्टें प्रति-छवि परिणाम दिखा सकती हैं इसलिए गंभीर स्थानीय विफलताएँ दृश्यमान रहती हैं।
मुफ़्त न्यूज़लेटर
हर कार्यदिवस की सुबह तीन सत्यापित एआई कहानियाँ, सादे अंग्रेजी में लिखी गईं। हमेशा के लिए मुफ़्त, कोई विज्ञापन नहीं।
प्रत्येक सप्ताह के दिन एक ईमेल. एक क्लिक में सदस्यता समाप्त करें. हम आपका पता कभी नहीं बेचते या साझा नहीं करते।
स्वयं की जांच करो
प्रत्येक उत्तर पर त्वरित प्रतिक्रिया, और पाठ्यक्रम पास करने के बाद एक सत्यापन योग्य आईडी के साथ एक साझा करने योग्य प्रमाणपत्र।
निःशुल्क एआई शिक्षा का समर्थन करें। AI Understanding एक 501(c)(3) गैर-लाभकारी संस्था है - कोई विज्ञापन नहीं, कोई पेवॉल नहीं। दान करें
पीक सिग्नल-टू-शोर अनुपात एक छवि के शिखर मूल्य के सापेक्ष पिक्सेल-स्तरीय वर्ग त्रुटि का सारांश देता है, जबकि संरचनात्मक समानता स्थानीय चमक, कंट्रास्ट और संरचना की तुलना करती है। मेट्रिक्स विभिन्न गुणों को कैप्चर करते हैं और मानवीय निर्णय से असहमत हो सकते हैं, इसलिए छवि-गुणवत्ता मूल्यांकन को मेट्रिक्स को कार्य-विशिष्ट निरीक्षण के साथ जोड़ना चाहिए।
पीएसएनआर एक निर्दिष्ट शिखर मान के सापेक्ष माध्य वर्ग त्रुटि का उपयोग करता है।
एसएसआईएम के घटक स्थानीय चमक, कंट्रास्ट और संरचना की तुलना करते हैं।
MAX मान पूर्णांक या सामान्यीकृत प्रतिनिधित्व के साथ बदलता है।
एक छोटा सा स्थानिक बदलाव कई पिक्सेल मानों को बदलता है और एमएसई को बढ़ाता है।
एक सामान्य संरचनात्मक स्कोर प्रत्येक कार्य-प्रासंगिक संपत्ति को स्थापित नहीं कर सकता है।
सीखते रहो
इस विषय के लिए अधिक मार्गदर्शिकाएँ चुनी गईं
आगेअगली गाइड
PESQ और STOI भाषण गुणवत्ता मेट्रिक्स
ऑडियो एआई