LPIPS(Learned Perceptual Image Patch Similarity)
学习感知图像块相似度(Learned Perceptual Image Patch Similarity, LPIPS)也称为“感知损失”(perceptual loss),用于度量两张图像之间的差别。来源于CVPR2018《The Unreasonable Effectiveness of Deep Features as a Perceptual Metric》,该度量标准学习生成图像到Ground Truth的反向映射强制生成器学习从假图像中重构真实图像的反向映射,并优先处理它们之间的感知相似度。LPIPS 比传统方法(比如L2/PSNR, SSIM, FSIM)更符合人类的感知情况。LPIPS的值越低表示两张图像越相似,反之,则差异越大。
d为 x0与x之间的距离。从L层提取特征堆(feature stack)并在通道维度中进行单位规格化(unit-normalize)。利用向量WL 来放缩激活通道数,最终计算L2距离。最后在空间上平均,在通道上求和。
import lpipsclass util_of_lpips():def __init__(self, net, use_gpu=False):'''Parameters----------net: str抽取特征的网络,['alex', 'vgg']use_gpu: bool是否使用GPU,默认不使用Returns-------References-------https://github.com/richzhang/PerceptualSimilarity/blob/master/lpips_2imgs.py'''## Initializing the modelself.loss_fn = lpips.LPIPS(net=net)self.use_gpu = use_gpuif use_gpu:self.loss_fn.cuda()def calc_lpips(self, img1_path, img2_path):'''Parameters----------img1_path : str图像1的路径.img2_path : str图像2的路径.Returns-------dist01 : torch.Tensor学习的感知图像块相似度(Learned Perceptual Image Patch Similarity, LPIPS).References-------https://github.com/richzhang/PerceptualSimilarity/blob/master/lpips_2imgs.py'''# Load imagesimg0 = lpips.im2tensor(lpips.load_image(img1_path)) # RGB image from [-1,1]img1 = lpips.im2tensor(lpips.load_image(img2_path))if self.use_gpu:img0 = img0.cuda()img1 = img1.cuda()dist01 = self.loss_fn.forward(img0, img1)return dist01
参考
LPIPS(Learned Perceptual Image Patch Similarity)相关推荐
- 评估标准——PI、LPIPS,PSNR和SSIM
PSNR (Peak Signal-to-Noise Ratio) 峰值信噪比(通常越大效果越好) 给定一个大小为mn的干净图像I和噪声图像K,均方误差MSE定义为: 然后PSNR就定义为: SSIM ...
- NTIRE2020~21 SISR超分 总结
18~20 参考https://blog.csdn.net/weixin_46773169/article/details/108833993 目录 NTIRE 2021 Learning the S ...
- [CVPR2020] StarGAN v2
目录 网络改进 具体结构 Generator Discriminator Style Encoder Mapping network 损失函数 Adversarial objective Style ...
- LPIPS 图像相似性度量标准(感知损失)
可学习感知图像块相似度(Learned Perceptual Image Patch Similarity, LPIPS) 项目主页:https://richzhang.github.io/Perc ...
- #保姆级教学 「图像评价指标」(MSE、LPIPS)——理论+代码
均方误差MSE 给定一个大小为m*n的原图I和生成图K,计算均方误(MSE)定义为:的干净图像和噪声图像,均方误差定义为: #原图为I,生成图为K#pytorch --直接调用torch.nn.MSE ...
- 英特尔用英伟达显卡,给GTA5打了个超强画质补丁
子豪 萧箫 发自 凹非寺 量子位 报道 | 公众号 QbitAI 英特尔居然用英伟达显卡,给GTA5做了个画质增强补丁? 没错,画面亿点点接近真实世界的那种: 有点意思. 更有意思的是,据英特尔表示, ...
- A Survey for Image Quality Assessment(综述)
图像质量评价相关内容总结,旨在回顾近二十年来的发展历程,供参考. 一.主观图像质量评价 (1) 主观图像质量评价实验:absolute category rating.pair comparison ...
- 基于深度学习的信息隐藏技术的研究总结(一)
信息隐藏技术的相关知识总结 你好! 本人关于信息隐藏方面的研究很久了,主要是利用深度学习方面的技术来实现.由于电脑等原因,一些东西就找不到了,所以想通过写博客的方式进行记录,一方面是对学过的东西.技术 ...
- StarGAN v2 : Diverse Image Synthesis for Multiple Domains 不同图像多领域合成阅读理解
StarGAN v2 : Diverse Image Synthesis for Multiple Domains 不同图像多领域合成阅读理解 目前该论文已经有TensorFlow算法实现,目前本人在 ...
最新文章
- 我的车模我做主 - 精美的车模作品
- redis实现令牌桶算法思路
- 【招聘(西安)】深圳市中兴云服务有限公司.NET工程师
- [Linux]共享内存
- 图像算法十:轮廓匹配match_contours() 得到精确的旋转角度
- 如何开发与设计一个爆款小游戏
- Vue 项目 Element-ui CDN引入后体积不变或变大的问题
- [引用]关于C#操作INI文件的总结
- STM8L开发环境配置
- 一、TI毫米波雷达系列——硬件加速器(HWA)
- 高中计算机会考操作题程序设计,高中信息技术算法与程序设计题库(含答案)
- 微信收款码应该怎么申请呢?详细教程在这里
- UEFI与BIOS(CSM)下安装Windows以及双系统需要知道的一些事
- GIS招聘 | 青海省省直事业单位(含地信、测绘等专业)
- GHOST重装系统详解
- 什么是1/f噪声_1/f噪声对电路有何影响_如何消除或降低1/f噪声
- 家用路由器技术深入剖解
- 如何解决layui弹出层闪退的问题
- XML中DTD,XSD的区别与应用
- java 微博sdk_Java基于新浪微博SDK实现发微博的功能