แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการสูญเสียการรับรู้และ LPIPS

สำรวจการเปรียบเทียบภาพโดยอาศัยฟีเจอร์, การสอบเทียบโดยมนุษย์ของ LPIPS, ฟีเจอร์ที่ปรับมาตรฐานแล้ว, ข้อกำหนดในการป้อนข้อมูล และขีดจำกัดของคะแนนระยะทางเชิงการรับรู้

เส้นทางแนะนำที่เกี่ยวข้องการสูญเสียการรับรู้และ Lpips
คำถาม 1 ของ 8

เหตุใดการสูญเสีย L2 แบบพิกเซลจึงมักตัดสินความคล้ายคลึงของภาพผิดเมื่อเปรียบเทียบกับการสูญเสียการรับรู้

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. เหตุใดการสูญเสีย L2 แบบพิกเซลจึงมักตัดสินความคล้ายคลึงของภาพผิดเมื่อเปรียบเทียบกับการสูญเสียการรับรู้
    • มันลงโทษการเปลี่ยนแปลงเล็กๆ น้อยๆ และการเปลี่ยนแปลงพื้นผิวที่มนุษย์แทบไม่สังเกตเห็น
    • มันทำงานช้าเกินกว่าจะปฏิบัติได้จริง
    • สามารถเปรียบเทียบได้เฉพาะภาพระดับสีเทาเท่านั้น
    • ต้องมีเครือข่ายที่ได้รับการฝึกอบรมมาล่วงหน้าเพื่อคำนวณ
  2. LPIPS เปรียบเทียบอะไรระหว่างสองภาพเป็นหลัก
    • ค่าพิกเซล RGB ดิบ
    • ขนาดไฟล์หลังการบีบอัด
    • การเปิดใช้งานจากเลเยอร์กลางของเครือข่ายที่ได้รับการฝึกล่วงหน้า
    • ฮิสโตแกรมสี
  3. น้ำหนักต่อช่องใน LPIPS ถูกกำหนดอย่างไร
    • ตั้งค่าเป็นทั้งหมดตามค่าเริ่มต้น
    • ปรับเทียบกับการตัดสินความคล้ายคลึงกันในการรับรู้ของมนุษย์
    • เรียบเรียงโดยผู้เขียน
    • มาจากตารางการบีบอัด 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. เครือข่ายแกนหลักใดมักเกี่ยวข้องกับการสูญเสียการรับรู้ (ฟีเจอร์) แบบคลาสสิกมากที่สุด
    • เรสเน็ต-152
    • โยโล
    • วีจีจี
    • ยู-เน็ต
  6. งานใดที่ได้ประโยชน์โดยตรงจากการใช้การสูญเสียการรับรู้แทน L2 ล้วนๆ
    • ภาพถ่ายที่มีความละเอียดสูงสุดสมจริง
    • การนับพิกเซลในภาพ
    • กำลังอ่านข้อมูลเมตา EXIF
    • การจัดเรียงภาพตามชื่อไฟล์
  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