Test legat de ghid · Mediu Nivel

Pierderea perceptivă și testul LPIPS

Explorați compararea imaginilor bazată pe caracteristici, calibrarea umană LPIPS, caracteristicile normalizate, convențiile de intrare și limitele unui scor de distanță perceptivă.

Căi de ghidare aferentePierdere de percepție și Lpips
Întrebare 1 de 8

De ce pierderea L2 bazată pe pixeli apreciază adesea greșit asemănarea imaginii în comparație cu pierderea perceptivă?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. De ce pierderea L2 bazată pe pixeli apreciază adesea greșit asemănarea imaginii în comparație cu pierderea perceptivă?
    • Penalizează schimbările minuscule și modificările de textură oamenii abia le observă
    • Funcționează prea încet pentru a fi practic
    • Poate compara doar imagini în tonuri de gri
    • Este nevoie de o rețea pregătită în prealabil pentru a calcula
  2. Ce compară LPIPS în principal între două imagini?
    • Valori brute de pixeli RGB
    • Dimensiunile fișierelor după comprimare
    • Activări din straturi intermediare ale unei rețele preantrenate
    • Histograme de culoare
  3. Cum au fost determinate ponderile pe canal în LPIPS?
    • Setați la toate în mod implicit
    • Calibrat împotriva judecăților de similitudine perceptivă umană
    • Acordat manual de autori
    • Derivat din tabelele de compresie 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. Care rețea principală este cel mai frecvent asociată cu pierderea perceptivă (funcție) clasică?
    • ResNet-152
    • YOLO
    • VGG
    • U-Net
  6. Care sarcină beneficiază cel mai direct din utilizarea pierderii perceptive în loc de L2 pur?
    • Super-rezoluție foto-realistă
    • Numărarea pixelilor dintr-o imagine
    • Citirea metadatelor EXIF
    • Sortarea imaginilor după numele fișierului
  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