154、感知质量度量：LPIPS与NIQE在AI影像中的调优实践
上个月产线反馈，某款旗舰机夜景模式在DXO评测中“锐化过度”扣分。我拉了一版AI降噪模型，PSNR涨了0.8dB，SSIM也漂亮，结果盲测时用户说“这照片看着假”。后来发现，PSNR和SSIM对纹理细节的感知能力太弱——它们只盯着像素差异，根本不知道人眼觉得“假”是因为纹理被抹平了。从那以后，我把LPIPS和NIQE写进了调优流程的硬性指标。
LPIPS：让网络学会“像人一样看”
LPIPS（Learned Perceptual Image Patch Similarity）不是传统指标，它是个轻量级神经网络。核心思路是：用预训练好的VGG或AlexNet提取特征，然后在特征空间里算距离。为什么这比像素域靠谱？因为深层特征已经编码了语义信息——纹理、边缘、结构，这些才是人眼敏感的东西。
代码实现时有个坑。很多人直接调torchmetrics的LPIPS，默认用AlexNet backbone，但AlexNet对高频纹理的响应不如VGG。我踩过这个坑：某次调优去噪模型，LPIPS分数从0.12降到0.09，但实际看效果，纹理细节反而糊了。后来发现是AlexNet的浅层感受野太小，对局部纹理变化不敏感。换成VGG16 backbone后，分数变化才和主观评价对齐。
importlpips
