VolgendeVolgende gids
Perceptuele hashing voor bijna dubbele afbeeldingen
Visuele AI
Visuele AI-GIDS
Perceptual losses compare image representations from a neural network instead of relying only on pixel differences.
Luister naar deze gidsAI-verteld · ~2 min
LPIPS calibrates such feature distances against human similarity judgments, but no score guarantees that every image pair will be judged alike by every viewer.
Traditionele verliezen zoals L2 (gemiddelde kwadratische fout) vergelijken afbeeldingen pixel voor pixel, dus een verschuiving van één pixel of een iets andere textuur lijkt op een enorme fout, ook al merken mensen het nauwelijks. Perceptueel verlies voert in plaats daarvan beide beelden door een vooraf getraind netwerk (vaak VGG) en vergelijkt activeringen van tussenliggende lagen. Omdat deze functies randen, texturen en objectdelen coderen in plaats van exacte pixelwaarden, komt het verlies beter overeen met het menselijk oordeel, wat scherpe, semantisch getrouwe resultaten bevordert. LPIPS (Learned Perceptual Image Patch Gelijkenis), geïntroduceerd door Zhang et al. in 2018 formaliseert dit: het extraheert diepgaande kenmerken, normaliseert ze en past aangeleerde gewichten toe die zijn gekalibreerd op duizenden menselijke gelijkheidsoordelen, waardoor een enkele afstandsscore ontstaat waarbij lager betekent dat ze perceptueel meer op elkaar lijken.
Het trainen van superresolutienetwerken (bijvoorbeeld SRGAN) zodat opgeschaalde foto's er scherp en gestructureerd uitzien in plaats van wazig.
Evalueren van beeldcompressie en codecs door te beoordelen hoe perceptueel het gedecodeerde beeld het origineel benadert.
Begeleidende stijloverdracht, waarbij inhoud wordt gekoppeld via diepe VGG-functies in plaats van exacte pixels.
Benchmarking van GAN- en diffusiebeeldgeneratoren door de LPIPS-afstand tussen gegenereerde en echte beelden te rapporteren.
Perceptuele statistieken verschuiven van CNN-backbones naar functies van zelfgecontroleerde en vision-transformer-modellen zoals DINO en CLIP, die een rijkere semantiek vastleggen. Verwacht een nauwere integratie met diffusiemodeltraining en tekst-naar-beeld-evaluatie, plus perceptuele scores afgestemd op video-temporele consistentie. Onderzoekers onderzoeken ook de blinde vlekken van LPIPS: het kan op vijandige wijze voor de gek worden gehouden en correleert zwak met kwaliteit bij zeer hoge betrouwbaarheid, wat nieuwere, op mensen afgestemde metrieken zoals DISTS en ensemble-benaderingen motiveert.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
Perceptual losses compare image representations from a neural network instead of relying only on pixel differences. LPIPS calibrates such feature distances against human similarity judgments, but no score guarantees that every image pair will be judged alike by every viewer.
L2 vergelijkt pixels rechtstreeks, zodat kleine ruimtelijke verschuivingen of textuurverschillen als grote fouten worden geregistreerd, zelfs als een afbeelding er voor een persoon goed uitziet.
LPIPS haalt diepe functie-activaties uit een vaste ruggengraat en meet hun afstand, wat beter aansluit bij de menselijke perceptie dan bij pixels.
De gewichten werden geleerd om overeen te komen met een grote dataset (BAPPS) van menselijke beslissingen over gelijkenis met twee alternatieve gedwongen keuzes.
LPIPS is calibrated to human similarity judgments, but its distance remains a model-based measure with limitations.
De tussentijdse featuremaps van VGG werden de standaard voor perceptueel verlies bij taken als superresolutie en stijloverdracht.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
Perceptuele hashing voor bijna dubbele afbeeldingen
Visuele AI