3DGS中图像质量评估三板斧——PSNR/SSIM/LPIPS

最新推荐文章于 2025-04-20 08:54:33 发布
最新推荐文章于 2025-04-20 08:54:33 发布
阅读量2.5k 收藏 17
点赞数 26
分类专栏： 3DGS学习笔记 文章标签： 笔记 学习 3d 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_55170097/article/details/144214453
版权

在阅读3DGS论文的时候，经常看到实验结果部分进行评估，所用到的都是PSNR/SSIM/LPIPS这三个指标，So来总结一下

1. PSNR（Peak Signal-to-Noise Ratio，峰值信噪比）

定义

PSNR是一种常用的评价图像质量的指标，它通过比较失真图像和原始图像来衡量图像恢复质量的好坏。PSNR是基于MSE（均方误差）计算得出的，用于衡量图像重建的误差。

计算公式

 解释

PSNR值越高，表示失真图像与原始图像之间的误差越小，图像质量越好。但PSNR并不总是能很好地反映人眼对图像质量的感知，因为它主要关注像素级的误差，而不是图像的视觉内容。

2. SSIM（Structural Similarity Index，结构相似性指数）

定义

SSIM是一种衡量两幅图像结

最低0.47元/天 解锁文章
三维重建渲染指标介绍（PSNR SSIM LPIPS）
Aaron9489的博客
12-13 450
衡量两张图片之间的相似程度，图片在MSE相同的时候可能会发生图片质量仍然相差很大的情况。PSNR这个指标太单一了，因此SSIM从多个指标进行，包括亮度，对比度和结构相似度三个维度。1、PSNR峰值信噪比（衡量带噪声图片和原始图像之间的差异，用于比较噪声）C1防止像素值为0导致分母为0，这部分取值为0-1，当x和y相同的时候为1。用深度特征与两张图片之间的相似度，使用深度神经网络得出的结果更符合人的感知。图像相似度越低，深度特征之间差异越大，LPIPS越小越好。取值范围为-1，1，指数为都为1。
常用图像评价指标以及代码 ：PSNR、SSIM、 LPIPS
2301_81845359的博客
09-07 5612
常用图像评价指标以及代码
NeRF 模型评价指标PSNR,MS-SSIM, LPIPS 详解和python实现
qq_35831906的博客
06-13 1万+
PSNR（Peak Signal-to-Noise Ratio，峰值信噪比）是一种常用于衡量图像或视频质量的指标。它用于比较原始图像与经过处理或压缩后的图像之间的差异。PSNR主要用于衡量图像的重建误差，而MS-SSIM和LPIPS更加关注人眼对图像感知的差异。
【图像质量】PSNR（峰值信噪比）值的理解（以30为例）
最新发布
wzk4869的博客
04-20 3761
【图像质量】PSNR（峰值信噪比）值的理解（以30为例）
了解图像质量评价指标PSNR
懒人的技术笔记
03-28 2586
峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）是数字图像处理领域最经典的客观质量评价指标之一。其核心思想是通过计算原始图像与失真图像之间的均方误差（MSE）来衡量失真程度，再通过信号最大功率与噪声功率的比值进行量化评估。对于大小为m×nm \times nm×n的灰度图像III和KKK均方误差（MSE）MSE1mn∑i0m−1∑j0n−1Iij−Kij2MSEmn1​i0∑m−1​。
图像质量评价指标： PSNR 和 SSIM 和 LPIPS
热门推荐
Drug discovery
07-05 4万+
1. PSNR (Peak Signal-to-Noise Ratio) 峰值信噪比 PSNR越高，图像和原图越接近。这是客观指标， PSNR（峰值信噪比）：用得最多，但是其值不能很好地反映人眼主观感受。一般取值范围：20-40.值越大，视频质量越好 # im1 和 im2 都为灰度图像，uint8 类型 # method 1 diff = im1 - im2 mse = np.mean(np.square(diff)) psnr = 10 * np.log10(255 * 255 / mse)
图像质量评价指标metrics：PSNR 、SSIM、LPIPS
m0_67357141的博客
11-29 1万+
是基于对应像素点间的误差，即基于误差敏感的图像质量评价，由于并未考虑到人眼的视觉特性（人眼对空间频率较低的对比差异敏感度较高，人眼对亮度对比差异的敏感度较色度高，人眼对一个 区域的感知结果会受到其周围邻近区域的影响等），因而经常出现评价结果与人的主观感觉不一致的情况。必须满足两张图像的size要完全一样。可以衡量图片的失真程度，也可以衡量两张图片的相似程度。与MSE和PSNR衡量绝对误差不同，SSIM是感知模型，即更符合人眼的直观感受。
【菜狗学三维重建】图像质量评价指标（PSNR、SSIM、LPIPS、SILog、MSE、RMSE、MAE）——20250221
weixin_53796634的博客
02-21 2373
计算机视觉常用的一些指标，例如PSNR、SSIM、MSE等
NeRF常用评价指标:PSNR、SSIM、LPIPS详解
weixin_46052134的博客
07-16 3593
在b站看了up主：意の茗 的讲解视频，也查阅了LPIPS文献原文，做了如下笔记总结。
图像相似度衡量指标（PSNR、SSIM、LPIPS）
fpq199182的博客
03-12 4138
是一种用于衡量图像质量的指标。它是衡量信号最大可能功率和影响它的表示精度的破坏性噪声功率的比值。是通过计算原始图像和失真图像之间的均方误差（）来衡量的，然后将其转换为一个对数尺度。），值越大表示图像质量越好。
新手小白第一次复现3D高斯&3DGS复现全流程
01-06
新手小白第一次复现3D高斯&3DGS&3D Gaussian Splatting &Linux系统 新手小白与error硬磕到底 Linux系统无法播放MP4视频？ 读入 PNG 图像文件时发生严重错误：Not a PNG file 显卡3080ti＆操作系统Ubuntu 20.04.3 LTS...
SIBR工具，适用于查看3dgs的渲染效果，纯属搬运
03-01
SIBR工具通过提供可编辑或可自定义的着色器文件，让用户能够进一步调整和优化3dgs的渲染质量。 bin文件夹则包含可执行文件。这个目录下的文件通常不需要用户直接编辑，它们是由软件包的开发者编译好的二进制文件，...
【3DGS文献阅读03】/溅射图像/单GPU/单视图 Splatter Image: Ultra-Fast Single-View 3D Reconstruction
xzrrr的博客
12-26 1178
作者介绍了溅射图像，一种超高效的单目三维物体重建方法。主要创新是它直接使用2D算子，将输入图像映射到每个像素的一个3D高斯中，由此产生的高斯分布具有图像的形式，即溅射图像。并且进一步扩展了该方法，通过交叉视图注意将多幅图像作为输入，使用单个GPU进行训练，在每次迭代中，优化LPIPS等感知指标。最后在几个合成的、真实的、多类别的和大规模的基准数据集上，在PSNR、LPIPS和其他指标方面取得了更好的结果。感知损失LPIPS 表示两张图片之间的感知差异，数值越低越好。
PSNR/SSIM/LPIPS图像质量评估三件套（含代码）
木盏
03-21 3423
PSNR，峰值信噪比，是基于MSE的像素比较低质量评估，一般30dB以上质量就不错，到40dB以上肉眼就很难分别了。在图像质量评估上，有三个重要指标：PSNR，SSIM，LPIPS。LPIPS，利用AI模型来量化图像之间的相似性。取值范围也是[0,1]，与SSIM相反，像这种常见的图像质量评价指标，都会收录到torchmetrics里面。SSIM，结构相似性，从分布上来比较相似性，量化到（0-1）之间，代码里给了两种PSNR实现方法，计算结果差别不大。LPIPS是越小则证明图像质量越好。
深度学习(24) 计算两个图像的LPIPS，SSIM指标 (python代码)_python lpips(1)
2401_83703893的博客
04-16 808
LPIPS：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。要计算两张图片之间的LPIPS（Learned Perceptual Image Patch Similarity）距离，可以使用已经训练好的LPIPS模型来进行计算。接下来，我们将图像转换为PyTorch的Tensor格式，并进行归一化处理，将像素值范围从[0, 255]归一化到[0, 1]。
【3DGS】Ubuntu系统下完成3D Gaussian Splatting自采数据集的重建、评估及可视化
weixin_48400654的博客
06-07 5609
第一次采集的output.mkv大概有7秒，从中获得了220+张图片，但是在生成点云的过程中遇到了图像配准过程多次失败的问题，导致最后只有2张图片符合要求，送入images文件夹。同时在mydata文件夹下创建。所以在第二次采集的时候，缓慢移动相机，也采集久了一点，确保相邻图像之间有足够的重叠区域，大概是30秒，800+张图片（转换了还挺久的）。因此，使用 ImageMagick 来调整无畸变图像的大小，即在对应文件夹中创建原始分辨率的 1/2、1/4 和 1/8 的图像。即调用colmap生成点云。
【三维重建】【深度学习】NeRF图像质量的客观评估指标:PSNR和SSIM
yangyu0515的博客
06-26 3068
【三维重建】【深度学习】NeRF图像质量的客观评估指标:PSNR和SSIM
PSNR、SSIM等图像质量评估指标详解
m0_66890670的博客
12-19 1万+
本文详细介绍了PSNR、SSIM、MSE、MAE、UQI、FSIM、GMSD、LPIPS、DISTS、IFC等图像质量评估指标详解
LPIPS
03-11
### LPIPS 图像质量评估方法介绍 Learned Perceptual Image Patch Similarity (LPIPS) 是一种基于深度学习的图像相似度评估指标。与传统基于误差的方法不同，LPIPS 利用了预训练的神经网络模型来捕捉图像内容之间的感知相关性，进而提供了一种更加贴近人类视觉系统的图像质量评价方式[^3]。 #### 工作原理 LPIPS 的核心在于通过预先训练好的卷积神经网络提取特征图，并计算这些特征图之间的距离作为图像间的差异度量。具体而言： - **特征提取**：采用经过大规模数据集训练后的 CNN 模型（如 VGG 或 AlexNet），从输入图片的不同层次抽取抽象特征表示； - **空间池化**：对于每一对对应位置上的特征向量执行加权求和操作； - **最终得分**：汇总所有层面上的空间平均差值得到整体评分。 这种方法不仅考虑到了像素级别的变化，更重要的是它能够反映高层语义信息的变化情况，在处理诸如风格迁移、超分辨率重建等问题时表现出色。 ```python import lpips from PIL import Image import torch # 初始化LPIPS损失函数，默认使用alexnet架构 loss_fn_alex = lpips.LPIPS(net='alex') img0 = transform(Image.open('image0.jpg')) # 参考图像 img1 = transform(Image.open('image1.jpg')) # 待测图像 dist = loss_fn_alex(img0, img1) print(f"LPIPS Distance: {dist.item()}") ``` 此代码片段展示了如何利用 Python 中 `lpips` 库实现两幅图像间 LPIPS 距离的简单测量过程。 #### 应用场景 由于其独特的优势——即更接近于人的主观感受来进行比较判断，因此被广泛应用于多个领域： - **计算机视觉任务中的性能评测** - 如图像修复、去噪、增强等技术的效果验证。 - **艺术创作和技术开发辅助工具** - 对生成对抗网络(GANs)产生的作品进行量化分析，帮助调整参数优化输出效果。 - **多媒体通信系统内的传输效率提升研究** - 当涉及到压缩算法设计或者视频流媒体服务的质量监控等方面。 综上所述，作为一种先进的图像质量评估手段，LPIPS 不仅弥补了传统方法存在的不足之处，而且为众多科研工作者提供了强有力的支持平台。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值