位置: IT常识 - 正文

LPIPS 图像相似性度量标准（感知损失）(图像相似性度量)

编辑：rootadmin

LPIPS 图像相似性度量标准（感知损失）

推荐整理分享LPIPS 图像相似性度量标准（感知损失）(图像相似性度量)，希望有所帮助，仅作参考，欢迎阅读内容。

文章相关热门搜索词:图像相似度,图像相似性检测,图像相似性算法,图像相似性检测,图像相似性算法,图像相似度指标,图像相似度api,图像相似度指标,内容如对您有帮助，希望把文章链接给更多的朋友！

可学习感知图像块相似度(Learned Perceptual Image Patch Similarity, LPIPS)

项目主页：https://richzhang.github.io/PerceptualSimilarity/

论文地址：https://arxiv.org/abs/1801.03924

开源代码：https://github.com/richzhang/PerceptualSimilarity

可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的一篇论文《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。LPIPS 比传统方法（比如L2/PSNR, SSIM, FSIM）更符合人类的感知情况。LPIPS的值越低表示两张图像越相似，反之，则差异越大。

将左右的两个图像块和中间的图像块进行比较：

如图表示，每一组有三张图片，由传统的评价标准如L2、SSIM、PSNR等评价结果和人体认为的大不相同，这是传统方法的弊端。如果图片平滑，那么传统的评价方式则大概率会失效。而目前GAN尤其是VAE等生成模型生成结果都过于平滑。而最后三行的评价为深度学习的方式，可以看到，通过神经网络（非监督、自监督、监督模型）提取特征的方式，并对特征差异进行计算能够有效进行评价，而且能够和人体评价相似。【LPIPS 比传统方法（比如L2/PSNR, SSIM, FSIM）更符合人类的感知情况。】

代码

★ 完整的PSNR + SSIM + LPIPS 代码看：图像质量评价指标： PSNR 和 SSIM 和 LPIPS_马鹏森的博客-CSDN博客_psnr范围

需要先安装lpips：

pip install lpips

command：python lpips_2dirs.py -dir0 ./input_images -dir1 ./output_images

import argparseimport osimport lpipsparser = argparse.ArgumentParser(formatter_class=argparse.ArgumentDefaultsHelpFormatter)parser.add_argument('--dir0', type=str, default='./input_images')parser.add_argument('--dir1', type=str, default='./output_images')parser.add_argument('-v','--version', type=str, default='0.1')opt = parser.parse_args()## Initializing the modelloss_fn = lpips.LPIPS(net='alex', version=opt.version)# the total list of imagesfiles = os.listdir(opt.dir0)i = 0total_lpips_distance = 0average_lpips_distance = 0for file in files:try:# Load imagesimg0 = lpips.im2tensor(lpips.load_image(os.path.join(opt.dir0,file)))img1 = lpips.im2tensor(lpips.load_image(os.path.join(opt.dir1,file)))if (os.path.exists(os.path.join(opt.dir0, file)), os.path.exists(os.path.join(opt.dir1, file))):i = i + 1# Compute distancecurrent_lpips_distance = loss_fn.forward(img0, img1)total_lpips_distance = total_lpips_distance + current_lpips_distanceprint('%s: %.3f'%(file, current_lpips_distance))except Exception as e:print(e)average_lpips_distance = float(total_lpips_distance) / iprint("The processed iamges is ", i , "and the average_lpips_distance is: %.3f" %average_lpips_distance)

文件夹目录为：

注意：其中“input_images”和“output_images”中的文件名要一一对应，它们的名字要相同，也就是“input_images”中的1.png和“output_images”中的1.png进行求LPIPS