Mindket

JLD 感知距离

新上架第 1 版 · 更新于

概览

给出失真图像与参考图像的差异分数,并用透镜叠加图显示差异所在。适合想在浏览器里试用 JLD 指标的图像质量研究者。

JLD 感知距离 是一款工具包,属于研究类,由 Mindket 上架。可免费获取。当前为第 1 版,最近更新于 。在本页下载,是一个装着它全部文件的 zip 压缩包。这些文件不会自己运行。

速览

你需要
  • 在线使用的话什么都不用装
  • 如果运行 Space 的副本,需要 Python 3.12
  • requirements.txt 里的包
  • 可选 uv,用于 README 给出的本地命令
用在
  • 网页浏览器,打开 Hugging Face 上这个 Space 的页面
  • 你自己的电脑,在 Windows、macOS 或 Linux 上运行 Python 3.12
  • 你自己的 Python 代码,通过 jld 包使用
先运行
pip install -U huggingface_hub
hf download shreshthsaini/JLD-demo --repo-type space --local-dir JLD-demo
cd JLD-demo

平台

Windows操作系统
macOS操作系统
Linux操作系统

关于

它是什么

这个演示给失真图像和参考图像之间的差距打分。你上传一对对齐的图像,选择 JLD 或 JLD-fast,就会得到一个距离数值,外加一张局部透镜响应的叠加图。数值越低,两张图看起来越相似。

适合谁

如果你是比较图像质量的研究者或工程师,想在用它的 Python 包之前先试试 JLD 指标,它就适合你。

行业谁在用怎么用例子
图像研究质量指标研究者在图像对上试用感知距离给一张参考图和它的失真副本打分
视频与成像编解码和处理流程工程师检查某个处理步骤如何改变图像把源帧和处理后的帧做比较
机器学习模型开发者评判修复或生成模型的输出把结果图和目标图打分
教学讲师演示指标如何对失真作出反应一起上传一对图像并读叠加图

如果你的图像没有对齐或尺寸不同,可以跳过它,因为这个指标需要对齐的图像对。

用在哪里

  • 网页浏览器,打开 Hugging Face 上这个 Space 的页面
  • 你自己的电脑,在 Windows、macOS 或 Linux 上运行 Python 3.12
  • 你自己的 Python 代码,通过 jld 包使用
使用场景谁用得到什么
给图像对打分研究者一个距离值,图像越相似数值越低
查看差异所在工程师一张局部透镜响应的叠加图
按原尺寸打分开发者通过本地包得到原始分辨率的分数

如何设置

  • 在线使用的话什么都不用装
  • 如果运行 Space 的副本,需要 Python 3.12
  • requirements.txt 里的包
  • 可选 uv,用于 README 给出的本地命令
  1. 打开 Hugging Face 上这个 Space 的页面,即可在线使用。
  2. 要运行副本,先安装 huggingface_hub,再把这个 Space 下载到一个文件夹。
  3. 进入该文件夹,安装指定版本的 Gradio,再安装列出的依赖包。
  4. 用 Python 启动应用。
pip install -U huggingface_hub
hf download shreshthsaini/JLD-demo --repo-type space --local-dir JLD-demo
cd JLD-demo
pip install gradio==6.29.1
pip install -r requirements.txt
python app.py

README 还给出了用 uv 运行这个 Space 检出目录的办法。

uv run --python 3.12 --with-requirements requirements.txt app.py

如何使用

上传参考图像和失真图像,选择 JLD 或 JLD-fast,然后运行。两张图必须对齐且尺寸相同。每张图最多 24 百万像素,长边最多 8192 像素,文件最大 10 MB。要对更大的图像按原始分辨率打分,请在 Python 里用本地包。

from jld import JLD

metric = JLD.pretrained("full")
distance = metric("reference.png", "distorted.png")

示例

上传一张参考照片和一张压缩过的副本,选 JLD 并运行。你会得到一个距离值和一张透镜响应叠加图,结果里还会列出原始、缩放后和实际打分的尺寸。

新手与专家

如果你是新手,先上传同一张图的两个版本,其中一个稍作改动,然后读数值。数值越低,说明它们看起来越相似。

如果你熟悉这个领域,这个演示是作者做的、建立在 Jacobian 透镜上的感知距离的交互版本。默认情况下,大尺寸图像对会通过同一个 Lanczos 滤波器整体缩小,以符合托管的限制。报告的分数针对的是缩小后的图像对。有一个复选框可以关掉缩小,要求使用原始分辨率。叠加图不含全局 CLS 项,并且对每一对单独归一化。

  1. 你上传一对对齐的图像
  2. 大尺寸图像对默认一起缩小
  3. 应用用 JLD 或 JLD-fast 给图像对打分
  4. 你得到距离值和透镜叠加图

注意事项

  • License: 代码为 mit。自带的示例图像有各自的来源说明,编码器权重沿用上游的许可。
  • Cost to run: 没有提到费用。托管使用免费共享的 ZeroGPU 时间,可能需要等待,也可能有每日上限。
  • Data it reaches: 你上传的图像对。README 说上传的图像和分数不会被有意保存,但平台可能会保留临时副本。
  • Not for: 没有对齐或尺寸不同的图像,也不适合在托管的 Space 上对大图像对做原始分辨率打分。这些情况请用本地包。

README 和文件

README

JLD 感知距离

给出失真图像与参考图像的差异分数,并用透镜叠加图显示差异所在。适合想在浏览器里试用 JLD 指标的图像质量研究者。

由 shreshthsaini 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的,应用自己的文件和许可证在 Hugging Face 上。

简介

它是什么:这个演示给失真图像和参考图像之间的差距打分。你上传一对对齐的图像,选择 JLD 或 JLD-fast,就会得到一个距离数值,外加一张局部透镜响应的叠加图。数值越低,两张图看起来越相似。

适合谁:如果你是比较图像质量的研究者或工程师,想在用它的 Python 包之前先试试 JLD 指标,它就适合你。

行业 | 谁在用 | 怎么用 | 例子
图像研究 | 质量指标研究者 | 在图像对上试用感知距离 | 给一张参考图和它的失真副本打分
视频与成像 | 编解码和处理流程工程师 | 检查某个处理步骤如何改变图像 | 把源帧和处理后的帧做比较
机器学习 | 模型开发者 | 评判修复或生成模型的输出 | 把结果图和目标图打分
教学 | 讲师 | 演示指标如何对失真作出反应 | 一起上传一对图像并读叠加图

如果你的图像没有对齐或尺寸不同,可以跳过它,因为这个指标需要对齐的图像对。

用在哪里:

  • 网页浏览器,打开 Hugging Face 上这个 Space 的页面
  • 你自己的电脑,在 Windows、macOS 或 Linux 上运行 Python 3.12
  • 你自己的 Python 代码,通过 jld 包使用
使用场景 | 谁用 | 得到什么
给图像对打分 | 研究者 | 一个距离值,图像越相似数值越低
查看差异所在 | 工程师 | 一张局部透镜响应的叠加图
按原尺寸打分 | 开发者 | 通过本地包得到原始分辨率的分数

如何设置:

  • 在线使用的话什么都不用装
  • 如果运行 Space 的副本,需要 Python 3.12
  • requirements.txt 里的包
  • 可选 uv,用于 README 给出的本地命令
  1. 打开 Hugging Face 上这个 Space 的页面,即可在线使用。
  2. 要运行副本,先安装 huggingface_hub,再把这个 Space 下载到一个文件夹。
  3. 进入该文件夹,安装指定版本的 Gradio,再安装列出的依赖包。
  4. 用 Python 启动应用。
pip install -U huggingface_hub
hf download shreshthsaini/JLD-demo --repo-type space --local-dir JLD-demo
cd JLD-demo
pip install gradio==6.29.1
pip install -r requirements.txt
python app.py

README 还给出了用 uv 运行这个 Space 检出目录的办法。

uv run --python 3.12 --with-requirements requirements.txt app.py

如何使用:上传参考图像和失真图像,选择 JLD 或 JLD-fast,然后运行。两张图必须对齐且尺寸相同。每张图最多 24 百万像素,长边最多 8192 像素,文件最大 10 MB。要对更大的图像按原始分辨率打分,请在 Python 里用本地包。

from jld import JLD

metric = JLD.pretrained("full")
distance = metric("reference.png", "distorted.png")

示例:上传一张参考照片和一张压缩过的副本,选 JLD 并运行。你会得到一个距离值和一张透镜响应叠加图,结果里还会列出原始、缩放后和实际打分的尺寸。

新手与专家:如果你是新手,先上传同一张图的两个版本,其中一个稍作改动,然后读数值。数值越低,说明它们看起来越相似。

如果你熟悉这个领域,这个演示是作者做的、建立在 Jacobian 透镜上的感知距离的交互版本。默认情况下,大尺寸图像对会通过同一个 Lanczos 滤波器整体缩小,以符合托管的限制。报告的分数针对的是缩小后的图像对。有一个复选框可以关掉缩小,要求使用原始分辨率。叠加图不含全局 CLS 项,并且对每一对单独归一化。

你上传一对对齐的图像
大尺寸图像对默认一起缩小
应用用 JLD 或 JLD-fast 给图像对打分
你得到距离值和透镜叠加图

注意事项:

  • License: 代码为 mit。自带的示例图像有各自的来源说明,编码器权重沿用上游的许可。
  • Cost to run: 没有提到费用。托管使用免费共享的 ZeroGPU 时间,可能需要等待,也可能有每日上限。
  • Data it reaches: 你上传的图像对。README 说上传的图像和分数不会被有意保存,但平台可能会保留临时副本。
  • Not for: 没有对齐或尺寸不同的图像,也不适合在托管的 Space 上对大图像对做原始分辨率打分。这些情况请用本地包。

Hugging Face 上的数据(2026年11月13日)

  • 点赞:2
  • 构建方式:gradio
  • 许可证:mit

链接

  • Space:https://huggingface.co/spaces/shreshthsaini/JLD-demo
  • 文件:https://huggingface.co/spaces/shreshthsaini/JLD-demo/tree/main

试用

在浏览器里打开这个 Space,或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。

文件
README.md  5 KB

1 个文件,共 5 KB,以 zip 压缩包下载。

更新内容

  • 第 1 版 · 2026-11-12

同类产品对比

同一分类里与本产品共有标签最多的已上架 Hugging Face Space。

产品点赞构建方式许可证最近更新
JLD 感知距离 本页2gradiomit
Open VLM Leaderboard共有 gradio1,034gradioapache-2.0
Face Swap共有 gradio808gradiocc-by-nc-sa-4.0
TTS Spaces Arena共有 gradio493gradiozlib
Depth Anything 3共有 gradio490gradiocc-by-nc-4.0
BLIP共有 gradio431gradiobsd-3-clause
数据为 Mindket 在 2026-11-12 至 2026-11-13 期间读取的数值。

评价

还没有评分

写评价

还没有评价。

Mindket 的更多商品

查看 Mindket 的全部商品

anaksor-ocr

Sokheng · 工具包

这个模型从文档、收据和路牌照片里读取高棉语和英语文字,用一个检测器找文本行,再用识别器读每一行。适合需要在 Python 里做高棉语 OCR 的开发者。

新上架

Qwen2.5-7B-Instruct-GGUF

Qwen · 工具包

Qwen2.5-7B-Instruct 的 GGUF 文件,提供八种量化大小,可通过 llama.cpp 在本地聊天。适合想在自己电脑上用 7.6B 强力模型、又不想搭 Python 环境的人。

新上架

ACE-Step 1.5 XL SFT

ACE-Step · 工具包

用 4B 扩散解码器根据文字生成音乐,50 步并带引导控制,音频质量高于基础版。适合拥有 12 GB 或更多显存 GPU 的创作者。

新上架

研究类的相似商品

查看研究类的全部商品

Merlin-Cancer-Super

AbdomenAtlas · 工具包

在 CT 扫描上检测并勾画 9 个器官的肿瘤,使用从放射学报告中学习的 R-Super 方法训练。这是面向医学影像团队的研究模型,采用非商业许可。

新上架

EarthJev

dBenf · 工具包

回答关于卫星图像块的类型化问题,使用 Sentinel-2 的全部 12 个波段,为每个选项返回概率,不生成文字。这是 Qwen3.5-0.8B 的微调版本,适合地球观测研究者。

新上架

getting-over-it-rl-jax

zimmerk4 · 工具包

用一个在 JAX 物理模拟器里学会的小型策略网络,从头到尾通关游戏 Getting Over It。适合强化学习研究者和好奇的动手爱好者。

新上架