Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Perceptual Loss és LPIPS kvíz

Explore feature-based image comparison, LPIPS human calibration, normalized features, input conventions, and the limits of a perceptual-distance score.

Kapcsolódó útmutató utakÉrzékelési veszteség és Lpips
kérdés 1 -ból 8

Miért ítéli meg gyakran rosszul a pixel alapú L2 veszteség a kép hasonlóságát az észlelési veszteséghez képest?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Miért ítéli meg gyakran rosszul a pixel alapú L2 veszteség a kép hasonlóságát az észlelési veszteséghez képest?
    • Megbünteti az apró eltolódásokat és a textúra változásait, amit az emberek alig vesznek észre
    • Túl lassan fut, hogy praktikus legyen
    • Csak a szürkeárnyalatos képeket tudja összehasonlítani
    • A számításhoz előképzett hálózatra van szükség
  2. Mit hasonlít össze az LPIPS elsősorban két kép között?
    • Nyers RGB pixelértékek
    • Fájlméretek tömörítés után
    • Aktiválások egy előképzett hálózat köztes rétegeiből
    • Színes hisztogramok
  3. Hogyan határozták meg a csatornánkénti súlyokat az LPIPS-ben?
    • Alapértelmezés szerint minden egyesre
    • Az emberi észlelési hasonlóság ítéleteihez kalibrálva
    • A szerzők kézzel hangolták
    • JPEG tömörítési táblázatokból származik
  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. Melyik gerinchálózat kapcsolódik leggyakrabban a klasszikus észlelési (funkció) elvesztéséhez?
    • ResNet-152
    • YOLO
    • VGG
    • U-Net
  6. Melyik feladatnak előnyös a legközvetlenebbül az észlelési veszteség használata a tiszta L2 helyett?
    • Fotórealisztikus szuperfelbontás
    • Képpontok számlálása a képen
    • EXIF metaadatok olvasása
    • Képek rendezése fájlnév szerint
  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