Questionário vinculado ao guia · Médio Nível

Questionário sobre perda de percepção e LPIPS

Explore a comparação de imagens baseada em recursos, calibração humana LPIPS, recursos normalizados, convenções de entrada e os limites de uma pontuação de distância perceptual.

Caminhos de guia relacionadosPerda de percepção e Lpips
Pergunta 1 de 8

Por que a perda L2 baseada em pixels muitas vezes avalia mal a similaridade da imagem em comparação com a perda perceptual?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Por que a perda L2 baseada em pixels muitas vezes avalia mal a similaridade da imagem em comparação com a perda perceptual?
    • Penaliza pequenas mudanças e mudanças de textura que os humanos mal percebem
    • Corre muito devagar para ser prático
    • Ele só pode comparar imagens em tons de cinza
    • Requer uma rede pré-treinada para calcular
  2. O que o LPIPS compara principalmente entre duas imagens?
    • Valores brutos de pixels RGB
    • Tamanhos de arquivo após compactação
    • Ativações de camadas intermediárias de uma rede pré-treinada
    • Histogramas de cores
  3. Como foram determinados os pesos por canal no LPIPS?
    • Definido como todos por padrão
    • Calibrado contra julgamentos de similaridade perceptiva humana
    • Afinado manualmente pelos autores
    • Derivado de tabelas de compactação 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. Qual rede de backbone está mais comumente associada à perda perceptiva (de recursos) clássica?
    • ResNet-152
    • YOLO
    • VGG
    • Rede U
  6. Qual tarefa se beneficia mais diretamente com o uso da perda perceptiva em vez da L2 pura?
    • Super-resolução fotorrealista
    • Contando pixels em uma imagem
    • Lendo metadados EXIF
    • Classificando imagens por nome de arquivo
  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