DreamSim:使用合成数据学习人类视觉相似性的新维度
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
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
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
本文介绍了一种名为 Hypersim 的、具备完整的室内场景计算机视觉理解的合成数据集,该数据集为场景、对象和像素级别提供完整的标注信息,并且评估了数据集的生成成本,并证明了使用该数据集进行预训练可以显著改善语义分割和 3D 形状预测任务的性能。
Nov, 2020
手工制作的图像质量度量标准通常被用来评估重建攻击下的模型隐私风险,本文综合研究了这些度量标准与人类隐私信息感知的可信度,并提出了一种基于学习的度量方法 SemSim,该方法在语义级别上更好地反映了隐私泄露,并且与现有度量标准相比具有更高的相关性。
Sep, 2023
本文提出了三种多尺度相似性学习结构,使用对比损失函数学习像素级匹配,实现对场景几何形态的无关性。基于深度学习,通过学习与分配匹配像素对,建立了混合和端到端方法之间的平衡。同时,文章还探讨了如何通过样本挖掘提高预测相似度的整体稳健性和较好的性能表现,并在航空和卫星数据集上进行了实验,结果表明 DeepSim 网络优于混合方法和端到端方法,并且更好地适用于未见过的场景几何形态。该灵活的体系结构可以轻松地应用于标准的多分辨率图像匹配管道。
Apr, 2023
本研究介绍了一种使用深度神经网络学习图像相似度度量的方法,该方法采用 “连体” 结构体系,可以统一学习颜色特征、纹理特征和度量。论文还比较了不同数据集上训练和测试结果,结果表明该方法在人员再识别方面性能显著优于现有方法。
Jul, 2014
本文研究了存在偏差误差的图像对于现有视觉相似度测量标准的影响,并且开发了一种可以容忍图像偏移误差的相似度测量标准。通过探究神经网络元素的不同,本文开发了一种新型深度神经网络基础的视觉相似度测量标准,实验结果表明其能够容忍难以感知的偏移误差,同时与人类相似度判断一致。
Jul, 2022
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