Стаття

Отримано 14.09.2025

Доопрацьовано 02.12.2025

Прийнято 29.12.2025

Взято з Том 28, № 2, 2025

Сторінки 140 -150

Karnatov, S. (2025). Analysis of PSNR, SSIM, LPIPS metrics in the context of human perception of visual similarity. The National Transport University Bulletin: A Scientific and Technical Journal, 28(2), 140-150. https://doi.org/10.32703/2617-9040-2025-46-10

Аналіз метрик PSNR, SSIM, LPIPS в контексті сприйняття людиною візуальної схожості

Сергій Карнатов

Ця стаття пропонує комплексний  порівняльний  аналіз  трьох відомих метрик оцінки  якості  зображення (IQA):  PSNR,  SSIM та LPIPS. У  ній досліджуються  їхні  основні принципи,  математичні  основи,  переваги  та  обмеження,  зокрема,  що  стосуються  їхньої кореляції зі зоровим сприйняттям людини. Обговорюється еволюція метрик IQA від простих попіксельних  порівнянь  (PSNR) до  структурних  підходів  (SSIM) та,  нещодавно,  до  метрик вивченого сприйняття (LPIPS). Представлено критичний аналіз ефективності кожної метрики в оцінці різних візуальних спотворень, включаючи шум, розмиття та артефакти стиснення. Притаманні людському зоровому сприйняттю проблеми, такі як роль семантики, текстури, кольору та візуальних артефактів, досліджуються як фундаментальні причини розбіжностей між об'єктивними метричними оцінками та суб'єктивними людськими судженнями. У статті висвітлюється  «необґрунтована  ефективність»  глибоких  ознак  у LPIPS, а  також розглядаються його вразливості, такі як атаки з боку суперників та обмеження в глобальному семантичному  розумінні.  Зрештою,  у  ньому  окреслено  напрямки  майбутніх  досліджень, спрямованих на розробку більш надійних, інтерпретованих та перцептивно узгоджених метрик IQA, які можуть краще враховувати складність зорової системи людини та мінливі вимоги сучасних технологій обробки зображень та генеративного штучного інтелекту

оцінка якості зображень; PSNR; SSIM; LPIPS; людське сприйняття; візуальні спотворення; генеративні моделі; об'єктивні метрики; суб'єктивна оцінка
  1. Johnson, J., Alahi, A., & Fei-Fei, L. (2016, September). Perceptual losses for real-time style transfer and super-resolution. In European Conference on Computer Vision (pp. 694–711). Cham: Springer International Publishing. https://doi.org/10.1007/978-3-319-46475-6_43
  2. Wang, Z., Bovik, A. C., Sheikh, H. R., & Simoncelli, E. P. (2004). Image quality assessment: From error visibility to structural similarity. IEEE Transactions on Image Processing, 13(4), 600–612. https://doi.org/10.1109/TIP.2003.819861
  3. Breger, A., Biguri, A., Landman, M. S., Selby, I., Amberg, N., Brunner, E., … Schönlieb, C. B. (2025). A study of why we need to reassess full reference image quality assessment with medical images. Journal of Imaging Informatics in Medicine, 1–26. https://doi.org/10.1007/s10278-025-01462-1
  4. Zhang, R., Isola, P., Efros, A. A., Shechtman, E., & Wang, O. (2018). The unreasonable effectiveness of deep features as a perceptual metric. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 586–595). https://arxiv.org/abs/1801.03924
  5. Arabboev, M., Begmatov, S., Rikhsivoev, M., Nosirov, K., & Saydiakbarov, S. (2024). A comprehensive review of image super-resolution metrics: Classical and AI-based approaches. Acta IMEKO, 13(1), 1–8. https://doi.org/10.21014/actaimeko.v13i1.1679
  6. Gertsiy, O. (2024). Research on graphic data formats for compact representation and comparison of images. Transport Systems and Technologies, (43), 173–187. https://doi.org/10.32703/2617-9059-2024-43-14
  7. Zhang, L., Zhang, L., Mou, X., & Zhang, D. (2011). FSIM: A feature similarity index for image quality assessment. IEEE Transactions on Image Processing, 20(8), 2378–2386. https://doi.org/10.1109/TIP.2011.2109730
  8. Shrestha, B. (2005). Evaluation of JPEG2000 for lossless medical image compression. Mississippi State University Libraries.
  9. Russ, J. C. (2006). The Image Processing Handbook. CRC Press.
  10. Gonzalez, R. C., & Woods, R. E. (2017). Digital Image Processing (4th ed.). Pearson, New York.
  11. Singh, G. K., Agarwal, A., & Reddy, N. V. (2023). Comparison of PSNR, SSIM, and LPIPS in medical imaging. In 2023 IEEE 12th International Conference on Computing Communication and Networking Technologies (ICCCNT) (pp. 1–6).
  12. Wang, Z., Simoncelli, E. P., & Bovik, A. C. (2003, November). Multiscale structural similarity for image quality assessment. In The Thirty-Seventh Asilomar Conference on Signals, Systems & Computers (Vol. 2, pp. 1398–1402). IEEE. https://doi.org/10.1109/ACSSC.2003.1292216
  13. Kuzovkin, I., Vicente, R., Petton, M., Lachaux, J.-P., Baciu, M., Kahane, P., … Aru, J. (2018). Activations of deep convolutional neural networks are aligned with gamma band activity of human visual cortex. Communications Biology, 1(1), 107. https://doi.org/10.1038/s42003-018-0110-y
  14. Zhang, K., Liang, J., Van Gool, L., & Timofte, R. (2021). Designing a practical degradation model for deep blind image super-resolution. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 4791–4800). https://doi.org/10.48550/arXiv.2103.14006
  15. Zhai, G., & Min, X. (2020). Perceptual image quality assessment: A survey. Science China Information Sciences, 63(11), 211301. https://doi.org/10.1007/s11432-019-2757-1
  16. Gu, S., Bao, J., Chen, D., & Wen, F. (2020, August). GIQA: Generated image quality assessment. In European Conference on Computer Vision (pp. 369–385). Cham: Springer International Publishing. https://doi.org/10.1007/978-3-030-58621-8_22
  17. Shoshan, A., Gandelsman, Y., Bagon, S., & Dekel, T. (2024). R-LPIPS: An adversarially robust perceptual similarity metric. Scientific Reports. https://doi.org/10.48550/arXiv.2307.15157
  18. Koffka, K. (1935). Principles of Gestalt Psychology. Harcourt, Brace & Co.
  19. Marr, D. (1982). Vision: A computational investigation into the human representation and processing of visual information. W. H. Freeman and Company.
  20. International Telecommunication Union. (2019). Methodology for the subjective assessment of the quality of television pictures (Recommendation BT.500-14).

https://doi.org/10.32703/2617-9040-2025-46-10