本研究系统地研究了感知相似度测量方法在面临不可察觉的对抗扰动时的鲁棒性，发现广泛采用的 LPIPS 指标也容易受到空间变换的对抗扰动的攻击，这表明对抗性样本的问题需要被深入探究。

May, 2023

通过对抗训练的深层特征，我们提出了一种新的强鲁棒学习感知图像块相似度（R-LPIPS）度量，通过全面的实验，我们证明了 R-LPIPS 相比于经典的 LPIPS 度量的优越性。

Jul, 2023

该研究论文通过对基于 ViT 的特征提取器集合的先进感知相似度度量的鲁棒性进行敏感性分析，提出了名为 LipSim（Lipschitz 相似度度量）的可靠感知相似度度量方法，并通过一系列实验证明了 LipSim 在自然分数、认证分数和图像检索应用方面的性能。

Oct, 2023

本文研究了卷积神经网络的隐藏变量作为感知相似度度量的有效性，发现自学习的感知相似度度量（LPIPS）容易受到对抗样本的攻击，但无限家族随机变换的自增强技术可以使度量鲁棒性提高，同时保持对人类判断的预测能力，并发现自增强度量空间中的 “感知凸性” 现象，即相似图像的凸组合保留外观，离散测地线产生有意义的帧插值和纹理变形。

Jun, 2019

图像到图像的转换在医学影像领域具有巨大影响，本研究介绍了用于图像合成评估的参考和非参考度量标准，并调查了九种需要参考的度量标准（SSIM、MS-SSIM、PSNR、MSE、NMSE、MAE、LPIPS、NMI 和 PCC）以及三种非参考度量标准（BLUR、MSN 和 MNG）对来自 BraSyn 数据集的 MR 图像的 11 种扭曲的检测能力。此外，还测试了下游分割度量标准和三种归一化方法（Minmax、cMinMax 和 Zscore）的影响。通过合理选择和结合图像相似性度量标准，可以改进用于 MR 图像合成的生成模型的训练和选择，在高成本的经过训练的放射科医生评估之前可以验证其输出的许多方面。

May, 2024

本文提出了一个全新的知觉度量标准 DreamSim，通过人类相似度判断数据集的研究得出，该标准可以全面评估图片的相似性，更关注于前景物体和语义内容及对颜色和布局敏感，并且具有很好的一般性能。

Jun, 2023

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

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

本文提出了一个基于贪婪搜索的评估指标，用于评估目标检测模型的平移等变性，发现许多现代目标检测模型对输入图像的微小平移都非常敏感，并探究了文献中的解决方案及其有效性，揭示了这种平移变异性的程度和可能因素的贡献，为开发缓解或利用这种变异性的方法奠定基础。

Aug, 2020