Hacker News· E-Reverance·· 7 天前AI 评分22
线性预测作为感知度量为何出奇有效：LASI 无需训练即可构建视觉感知嵌入
The Unreasonable Effectiveness of Linear Prediction as a Perceptual Metric
AI 导读
研究者提出 LASI（Linear Autoregressive Similarity Index），一种在推理时通过求解像素级加权最小二乘问题构建的感知嵌入，无需训练数据或深度神经网络特征。
正文 · AI 翻译
摘要：我们展示了如何在推理时构建视觉系统的感知嵌入，无需训练数据或深度神经网络特征。我们的感知嵌入是加权最小二乘（WLS）问题的解，在像素级别定义，并在推理时求解，能够捕捉全局和局部图像特征。嵌入空间中的距离被用来定义一种感知相似度度量，我们称之为 LASI：线性自回归相似度指数。在全参考图像质量评估数据集上的实验表明，LASI 与基于学习深度特征的方法（如 LPIPS（Zhang 等，2018）和 PIM（Bhardwaj 等，2020））相比具有竞争力，其计算成本与手工设计方法（如 MS-SSIM（Wang 等，2003））相似。我们发现，增加嵌入空间的维度会持续降低 WLS 损失，同时提升感知任务上的性能，代价是增加计算复杂度。LASI 完全可微，随嵌入维度数量呈三次方扩展，并可在像素级别并行化。LASI 与 LPIPS 之间的最大差异化（MAD）竞赛（Wang & Simoncelli，2008）表明，两种方法都能找到对方的失效点，这表明这些度量可以结合使用。
| 学科： | 计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2310.05986 [cs.CV] |
| （或 arXiv:2310.05986v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2310.05986 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Daniel Severo [查看电子邮件]
[v1]
2023年10月6日星期五 19:02:00 UTC（1,495 KB）
来源：Hacker News · arxiv.org