معرفی شرکت ها


DISTS-pytorch-0.1


Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر
Card image cap
تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Deep Image Structure and Texture Similarity (DISTS) Metric
ویژگی مقدار
سیستم عامل -
نام فایل DISTS-pytorch-0.1
نام DISTS-pytorch
نسخه کتابخانه 0.1
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Keyan Ding
ایمیل نویسنده dingkeyan93@outlook.com
آدرس صفحه اصلی https://github.com/dingkeyan93/DISTS
آدرس اینترنتی https://pypi.org/project/DISTS-pytorch/
مجوز MIT
# Deep Image Structure and Texture Similarity (DISTS) Metric This is the repository of paper [Image Quality Assessment: Unifying Structure and Texture Similarity](https://arxiv.org/abs/2004.07728). ### Highlights: 1. A full-reference IQA model correlated well with human perception of image quality. 2. It is robust to texture variance (e.g., evaluating the images generated by GANs) and mild geometric transformations (e.g., evaluating the image pair that are not strictly point-by-point aligned). 3. It can be employed as the objective function in various optimization problems. <!-- (The best practice: pretrain with L1/L2 loss, then finetune with DISTS + GAN loss) --> **Three implementation versions:** 1. Pytorch [```DISTS_pt.py```](/DISTS_pytorch/DISTS_pt.py) (recommend) 2. Tensorflow [```DISTS_tf.py```](/DISTS_tensorflow/DISTS_tf.py) 3. Matlab [```DISTS.m```](/DISTS_matlab/DISTS.m). ### ====== Pytorch ====== **Installation:** - ```pip install dists-pytorch``` **Requirements:** - Python>=3.6 - Pytorch>=1.0 **Usage:** ```python from DISTS_pytorch import DISTS D = DISTS() # calculate DISTS between X, Y (a batch of RGB images, data range: 0~1) # X: (N,3,H,W) # Y: (N,3,H,W) dists_value = D(X, Y) # set 'require_grad=True, batch_average=True' to get a scalar value as loss. dists_loss = D(X, Y, require_grad=True, batch_average=True) dists_loss.backward() ``` or ```bash git clone https://github.com/dingkeyan93/DISTS cd DISTS_pytorch python DISTS_pt.py --ref <ref_path> --dist <dist_path> ``` ### ====== Tensorflow ====== **Requirements:** - Python>=3.6 - Tensorflow>=1.15 **Usage:** ```bash git clone https://github.com/dingkeyan93/DISTS cd DISTS_tensorflow python DISTS_tf.py --ref <ref_path> --dist <dist_path> ``` ### ====== Matlab ====== **Requirements:** - Matlab>=2019b **Usage:** ```bash git clone https://github.com/dingkeyan93/DISTS run demo.m help DISTS ``` ### Citation ``` @article{ding2020iqa, title={Image Quality Assessment: Unifying Structure and Texture Similarity}, author={Ding, Keyan and Ma, Kede and Wang, Shiqi and Simoncelli, Eero P.}, journal = {CoRR}, volume = {abs/2004.07728}, year={2020}, url = {https://arxiv.org/abs/2004.07728} } ```


نیازمندی

مقدار نام
>=1.0 torch


نحوه نصب


نصب پکیج whl DISTS-pytorch-0.1:

    pip install DISTS-pytorch-0.1.whl


نصب پکیج tar.gz DISTS-pytorch-0.1:

    pip install DISTS-pytorch-0.1.tar.gz