Algısal Kayıp ve LPIPS Sınavı

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Piksel tabanlı L2 kaybı neden algısal kayıpla karşılaştırıldığında görüntü benzerliğini sıklıkla yanlış değerlendiriyor?
   • İnsanların zar zor fark ettiği küçük değişimleri ve doku değişikliklerini cezalandırır
   • Pratik olamayacak kadar yavaş çalışıyor
   • Yalnızca gri tonlamalı görüntüleri karşılaştırabilir
   • Hesaplamak için önceden eğitilmiş bir ağ gerektirir
2. LPIPS öncelikle iki görüntü arasında neyi karşılaştırır?
   • Ham RGB piksel değerleri
   • Sıkıştırmadan sonraki dosya boyutları
   • Önceden eğitilmiş bir ağın ara katmanlarından aktivasyonlar
   • Renkli histogramlar
3. LPIPS'te kanal başına ağırlıklar nasıl belirlendi?
   • Varsayılan olarak tümü birlere ayarla
   • İnsanların algısal benzerlik yargılarına göre kalibre edilmiştir
   • Yazarlar tarafından elle ayarlanmıştır
   • JPEG sıkıştırma tablolarından türetilmiştir
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. Hangi omurga ağı en yaygın olarak klasik algısal (özellik) kaybıyla ilişkilendirilir?
   • ResNet-152
   • YOLO
   • VGG
   • U-Net
6. Saf L2 yerine algısal kaybın kullanılmasından en doğrudan fayda sağlayan görev hangisidir?
   • Fotogerçekçi süper çözünürlük
   • Bir görüntüdeki pikselleri sayma
   • EXIF meta verilerini okuma
   • Resimleri dosya adına göre sıralama
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