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

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

该论文提出了一种基于神经网络的方法，通过学习与时间相关的二维数据集的相关性来计算数据的稳定泛化度量（LSiM），以用于数值模拟结果的比较。该方法应用连锁神经网络架构，通过对数值 PDE 解析器进行控制数据生成来提高数据多样性，其特殊损失函数允许对训练数据进行单个数据样本之间关联性的学习。同时，通过对多个测试数据进行实验，证明了该方法相较于其它现有的向量空间和图像度量方法有更好的效果。

Feb, 2020

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

我们引入了 LiDAR（线性判别分析排名），这是一种度量 JE 架构中表示质量的指标，能够优于基于排名的方法，并具有预测优化超参数的强大能力。

Dec, 2023

文章提出了一种基于结构相似度指标（SSIM）的新的加权结构相似度损失（LWSSIM）来代替均方误差（MSE）损失函数， 可以解决像素的独立性和样本空间相关性的矛盾，该模型在各种自编码器中得到了成功的应用。

Apr, 2019

通过在神经科学中建模感知皮层和生物系统中的高效编码假设，我们重新利用压缩潜在表示来优先考虑语义相关性，同时保留感知距离。我们提出的方法，压缩感知图像补丁相似度（CPIPS），可以从学习的神经编解码器以较低的成本进行计算，并且比基于深度神经网络的感知度量（如 LPIPS 和 DISTS）计算速度显著更快。

Oct, 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

通过结合信息理论目标函数的最新进展和基于人类视觉系统的计算体系结构，以及对成对视频帧进行无监督训练，我们提出了感知信息度量（PIM），并在 BAPPS 图像质量评估数据集上证明 PIM 与监督度量相媲美，且在 CLIC 2020 的图像压缩方法排名预测方面优于监督度量，同时使用 ImageNet-C 数据集进行定性实验，证明 PIM 在架构细节方面具有鲁棒性。

Jun, 2020