[评价指标]LPIPS论文解读
The Unreasonable Effectiveness of Deep Features as a Perceptual Metric
不知道他是怎么用的
Learned Perceptual Image Patch Similarity (LPIPS)LPIPS:https://github.com/richzhang/PerceptualSimilarity
论文翻译：https://blog.csdn.net/weixin_41605888/article/details/88887416
这些所谓的“知觉损失”有多感性呢?他们成功的关键因素是什么?
为了回答这些问题，我们引入了一个新的人类感知相似度判断数据集。深度特征在数据集上的表现比之前的所有指标都要好。（就是用数据集训练了一下特征）
我们的结果表明，感知相似性是一种涌现的特性，在深度视觉表征*享。
人类对于感知的相似度的判断
(1)依赖于高阶图像结构
(2)上下文相关的不能推广
(3)实际上不可能构成距离度量
感知相似性本身并不是一个特殊的功能，而是对世界上重要结构进行预测的视觉表征的结果。在语义预测任务中有效的欧几里得距离也是感知相似度判断的高度预测的表征。
- 我们证明了网络架构本身并不能说明性能:未经训练的网络实现的性能要低得多。
- 认为生物感知的特质是理性主体试图解决自然任务的结果。
- 特征是非常重要的
- 提出了一个新的数据集，一个新收集的感知相似数据集，使用大量的扭曲和真实的算法输出。
给定一个网络，计算两个patch x, x0之间的距离d0
F，我们首先计算深度嵌入，规格化通道维数中的**，用向量w来缩放每个通道，并取’ 2的距离。然后我们对空间维度和所有层次进行平均。我们从L层提取特征堆并在通道维度中进行单元标准化。通过矢量wl 缩放**通道维并计算L2距离。最后，在空间上进行平均，并在渠道方面进行求和。