评估标准——PI、LPIPS,PSNR和SSIM

最新推荐文章于 2025-12-03 12:33:34 发布
原创 最新推荐文章于 2025-12-03 12:33:34 发布 · 1.5w 阅读 · 38 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习 #计算机视觉

本文探讨了PSNR、SSIM指标在图像处理中的重要性，分别测量峰值信噪比和结构相似性，同时介绍了PI和LPIPS这两类感知效果评价方法，展示了它们在衡量图像清晰度和逼真度上的应用。
  1. 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：
    在这里插入图片描述
    然后PSNR就定义为：
    在这里插入图片描述
  2. SSIM (Structural SIMilarity) 结构相似性（0~1，也是越大表示效果越好）

SSIM公式基于样本X和Y之间的三个比较衡量：亮度 (luminance)、对比度 (contrast) 和结构 (structure)。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
3. PI（Perceptual Index）选择感知指数（通常效果越小越好）
4. LPIPS( Learned Perceptual Image Patch Similarity)(通常效果越小越好)
部分内容来自添加链接描述

图像处理之图像质量评价指标PSNR(峰值信噪比)
qq_44111805的博客
11-03 11万+
3、对于以上提出的三种方法，不论使用哪种方法计算PSNR都无所谓，只要保持实验部分都使用同一种方法即可。1、对于RGB图像计算的PSNR值最小，两个方法计算的灰度图像的PSNR基本一样，对于YCbCr图像的Y通道的PSNR值最大。2、注意每次运行主函数main.m文件，输出的PSNR值都会有细微差别，可以对比上下两张图。，可以与上方得到方差为0.001的PSNR结果。4、仅以高斯噪声的参数为讨论，我们将主函数main.m文件的高斯噪声的方差改为。其中MAXI为图像的最大像素值，PSNR的单位为dB。
【图像拼接】论文精读：PIS3R: Very Large Parallax Image Stitching via Deep 3D Reconstruction
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
08-08 3253
本文提出了一种基于深度3D重建的大视差图像拼接方法PIS3R。针对现有方法在极端视差下对齐失败且无法保持3D几何一致性的问题，该方法首先通过视觉几何接地变压器VGGT重建场景3D结构和相机参数，然后将点云重投影到参考视图实现像素级对齐，最后通过点条件扩散模型优化拼接结果。实验表明，PIS3R不仅能处理大视差场景，生成的拼接图像还保留了3D投影几何，可直接支持SfM等下游任务。相比传统方法和深度学习方法，该方法在定性和定量评估中均表现出色，实现了视觉质量与几何精度的统一。
图像质量评价指标之 PSNR 和 SSIM
惊鸿一博
12-08 5635
1. PSNR (Peak Signal-to-Noise Ratio) 峰值信噪比 给定一个大小为m×nm×n的干净图像II和噪声图像KK，均方误差(MSE)(MSE)定义为： 然后PSNR(dB)PSNR(dB)就定义为： 其中为图片可能的最大像素值。如果每个像素都由 8 位二进制来表示，那么就为 255。通常，如果像素值由BB位二进制来表示，那么。 一般地，针对 uint8 数据，最大像素值为 255,；针对浮点型数据，最大像素值为 1。 上面是针对灰度图像...
图像生成中图像质量评估指标— LPIPS介绍
u013889591的专栏
07-26 6454
Learned Perceptual Image Patch Similarity（LPIPS）是一种基于深度学习的图像相似度评估指标。与传统的基于误差的评估方法不同，LPIPS利用训练好的神经网络模型来学习图像内容的感知相关性，从而提供一种更符合人类视觉感知的图像质量评价方式。LPIPS通过比较两幅图像的局部感知特征来评估它们的相似度。这些特征是通过在大量的图像对上训练一个深度卷积神经网络得到的，网络学习将图像内容映射到一个低维空间，在这个空间中，人类感知上相似的图像具有较小的距离。
【评价指标】PSNR SSIM LPIPS
最新发布
m0_59253708的博客
12-03 844
特性PSNRSSIMLPIPS全称基础原理像素级均方误差 (MSE)亮度、对比度、结构的统计学特征深度神经网络提取的特征距离 (Deep Features)评价维度低级像素误差结构信息高级语义/感知特征好坏标准越高越好↑\uparrow↑越高越好↑\uparrow↑越低越好↓\downarrow↓计算速度极快快慢 (需要跑神经网络)适用场景图像压缩、传统信号去噪图像复原、医学图像GAN生成、超分辨率、风格迁移人眼一致性差中等极好。
感知相似度：LPIPS指标。 点安装lpips
02-05
感知相似性指标和数据集 深度特征作为感知指标的不合理有效性（ ，（ ，（ ，（ ，（ 。 在 ，2018中。 快速开始 运行pip install lpips 。 下面的Python代码就是您所需要的。 import lpips loss_fn_alex = lpips . LPIPS ( net = 'alex' ) # best forward scores loss_fn_vgg = lpips . LPIPS ( net = 'vgg' ) # closer to "traditional" perceptual loss, when used for optimizat
PSNR和SSIM
哟哟哟哟哟哟
09-02 4058
PSNR，峰值信噪比 通常用来评价一幅图像压缩后和原图像相比质量的好坏，当然，压缩后图像一定会比原图像质量差的，所以就用这样一个评价指标来规定标准了。PSNR越高，压缩后失真越小。这里主要定义了两个值，一个是均方差MSE，另一个是峰值信噪比PSNR，公式如下： 这里的MAX通常是图像的灰度级，一般就是255了。 原图 图像宽高分别缩小1/2再放大到原图，PSNR=30.2d...
评价指标PSNR和SSIM
weixin_40533355的博客
03-06 3498
PSNR: 峰值信噪比，单位是dB，数值越大表示失真越小。 PSNR是基于对应像素点间的误差，即基于误差敏感的图像质量评价。由于并未考虑到人眼的视觉特性（人眼对空间频率较低的对比差异敏感度较高，人眼对亮度对比差异的敏感度较色度高，人眼对一个区域的感知结果会受到其周围邻近区域的影响等），因而经常出现评价结果与人的主观感觉不一致的情况。 峰值信号的能量与噪声的平均能量之比，通常表示的时候取 log...
超越PSNR与SSIM：引入视觉感知质量指标评价去噪效果的3维新标准
本文系统梳理了PSNR、SSIM等传统指标在数学原理与视觉一致性上的局限，揭示其在纹理保留、伪影抑制和感知偏差建模方面的不足，尤其在高保真去噪场景中出现评价失准现象。为突破瓶颈，本文提出一种基于人类视觉系统...
【图像去噪】论文精读：Residual-Conditioned Optimal Transport: Towards Structure-Preserving Unpaired and Paired
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
03-02 363
论文题目：Residual-Conditioned Optimal Transport: Towards Structure-Preserving Unpaired and Paired Image Restoration —— 用于图像去噪的双剩余注意网络ICML 2024！基于深度学习的图像恢复方法通常难以忠实地保留原始图像的结构。在这项工作中，我们提出了一种新颖的残差条件最优传输 (RCOT)方法，该方法。
【CVPR 2024】GART: Gaussian Articulated Template Models
zik的博客
07-09 1593
【Paper】【Project】GART 利用移动的 3D 高斯混合模型来显式地近似可变形主体的几何形状和外观。它利用了具有可学习前向蒙皮的分类模板模型先验（如 SMPL、SMAL 等），同时通过引入新的潜在骨骼进一步推广到更复杂的非刚性变形。我们介绍了高斯关节模板模型（GART），这是一种显式、高效且富有表现力的表示方法，用于从单目视频中捕捉和渲染非刚性关节主体。GART 利用移动的 3D 高斯混合模型来显式地近似可变形主体的几何形状和外观。
【图像拼接】论文精读：Parallax-tolerant Image Stitching via Segmentation-guided Multi-homography Warping（MHW）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
08-05 600
论文题目：Parallax-tolerant Image Stitching via Segmentation-guided Multi-homographyWarping —— 基于分割引导的多单应性翘曲的视差容忍图像拼接Warping论文源码：[https: //github.com/tlliao/multi-homo-warp](https: //github.com/tlliao/multi-homo-warp)廖老师最新工作！SAM图像分割引导单应性翘曲！
图像评价标准：PSNR和SSIM
PuLaNa_的博客
08-12 1106
图像评价标准：PSNR和SSIM代码实现
LPIPS 图像相似性度量标准、感知损失（Perceptual loss）
热门推荐
Drug discovery
11-03 5万+
LPIPS 图像相似性度量标准（感知损失）
LPIPS(Learned Perceptual Image Patch Similarity)
weixin_43466026的博客
08-24 3万+
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。LP
NeRF 模型评价指标PSNR,MS-SSIM, LPIPS 详解和python实现
qq_35831906的博客
06-13 1万+
PSNR（Peak Signal-to-Noise Ratio，峰值信噪比）是一种常用于衡量图像或视频质量的指标。它用于比较原始图像与经过处理或压缩后的图像之间的差异。PSNR主要用于衡量图像的重建误差，而MS-SSIM和LPIPS更加关注人眼对图像感知的差异。
图像评价指标PSNR、SSIM、LPIPS、FID
qq_43826289的博客
01-04 5683
图像评价指标PSNR、SSIM、LPIPS、FID
图像相似度衡量指标（PSNR、SSIM、LPIPS）
fpq199182的博客
03-12 5381
是一种用于衡量图像质量的指标。它是衡量信号最大可能功率和影响它的表示精度的破坏性噪声功率的比值。是通过计算原始图像和失真图像之间的均方误差（）来衡量的，然后将其转换为一个对数尺度。），值越大表示图像质量越好。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值