该研究是一个大规模实证研究，旨在评估 ImageNet 分类器在感知相似性方面的表现。结果发现，尽管现代化的网络模型（如 ResNets、EfficientNets 和 Vision Transformers）在 ImageNet 分类方面表现良好，但它们在感知相似性上的表现较差。然而，该研究还发现，仅在 ImageNet 上训练少于 5 个时期的浅层 ResNets 和 ResNets 的感知得分，可与直接在监督人类感知判断上训练的最佳网络相匹配。

Mar, 2022

该研究分析了预训练卷积神经网络中的中间特征图如何提高感知质量，并提出了两种新的公式来评估深度 CNN 学习到的特征，发现使用这些特征能更好地预测人类质量判断， 进一步展示了利用该方法来选择深度特征用于形成新的损失函数可以提高单图超分辨率问题的图像重构质量。

Dec, 2018

通过采用深度感知相似度测量（DeePSiM）来代替在图像空间中计算距离，我们的研究表明，此类损失函数能够更好地反映图像的感知相似度，从而减少图像平滑问题，并且在自编码器训练、变分自编码器的修改以及深度卷积网络的反演三种应用场景中表现出令人印象深刻的生成结果。

Feb, 2016

通过使用 better calibrated to human perceptual judgments of image quality: the multiscale structural-similarity score (MS-SSIM) 进行训练而不是使用 pixel-wise loss (PL)，提出了更好的 perceptually-optimized methods，已被证明在三种不同的自动编码器中表现更好，可以在图像分类和超分辨率成像方面为计算机视觉带来极大的潜力。

Nov, 2015

本文研究深度度量学习中的损失函数对于网络关注图像相似区域或特征的影响，并采用两步分析方法提取不同模型架构在不同损失函数下的学习视觉特征，结果表明，不同损失函数会引导模型学习不同的特征，分类型和排名型的损失函数存在差异，而某些似乎不相关的图像特征对最终嵌入结果也具有显著影响。

May, 2022

使用深度神经网络进行物体分类，可以占人类相似性判断的重要部分，但不能捕捉到人类表现中的一些关键性质。我们开发了一种方法，将深层特征与人类相似性判断对齐，以获取可用于扩展心理实验范围的图像表示。

Aug, 2016

本文探讨了深度学习压缩技术中常用的 MS-SSIM 和 MSE 误差函数与人类感知之间的关系，提出了 Deep Perceptual Compression 技术，通过在深度感知指标和 MS-SSIM 之间进行联合优化，相比先前的学习压缩方法和 JPEG-2000 具有更好的视觉效果，并且在目标检测等任务中表现更好。

Jul, 2019

本文探讨使用神经网络的深度感知相似度度量方法在不同场景下的适应能力以及性能表现，并在采用六种图像畸变来定义不同场景的基础上对其进行评估。结果表明，在大多数情况下，使用预先训练的 CNN 中的深度特征进行训练可以高效地适应特定场景，并且性能表现良好。

Apr, 2023

本文探讨深度视觉表示能力在不同类型图像畸变中的表现，通过分析不同深度神经网络层所提取的特征，证明不同网络层具备分离不同畸变类型的能力，并评估特征在图像质量评估和畸变特征和严重性级别刻画上的应用，结果表明深度视觉表示具有有效地表征各种图像畸变的能力。

Feb, 2020

本文研究了基于深度神经网络的知觉度量，用于评估图像质量，提出了一种多分辨率知觉量度（MR-Perceptual），在不同分辨率上聚合知觉信息，并在不同图像畸变的 IQ 任务中表现优于标准知觉量度。

Feb, 2022