The Unreasonable Effectiveness of Deep Features as a Perceptual Metric, CVPR18 这篇文章通过大量的实验分析了使用深度特征度量图像相似度的有效性。得到了如下结论：perceptua1 .一种深度图的去噪方法，其特征在于，所述方法包括：根据深度图中各个深度值的大小将所述深度图划分为一个或多个深度区域，每个所述深度区域中的各个图像位置具有相似的深度
做个直观的解释考虑在cnn网络中每个滤波器的权重更新值将根据输入图像的所有像素点和批次中的每张图像来进行平均将图像分辨率提高两倍会产生一种四倍像素量同样的平均效果与如上图所示，我们要判断图片X1和X2是否相似，于是我们构建了一个网络映射函数Gw(x),然后把x1、x2分别作为参数自变量，我们可以得到Gw(x1)、Gw(x2),也就是得到用
˙﹏˙ 另一种思路是学一个embedding，利用一些label信息，在embedding的空间里尽可能的保留原来的ordinal 传统机器学习VS 深度学习传统机器学习和深度学习的相似点在数据准备和预处理方面，两者是很相似的。他们都可能对数据进行一些操作：数据清洗数据标签归一化去噪降维对于数
如果是说ssim这样的度量可看下The Unreasonable Effectiveness of Deep Features as a Perceptual Metric 1.1 余弦相似度1.2 哈希算法1.3 直方图1.4 SSIM(结构相似度度量) 1.5 互信息(Mutual Information) 1.6 pixelmatch 2.深度学习方法2.1 论文1 2.2 论文2 1.传
