All translations

Enter a message name below to show all available translations.

Found 3 translations.

Name	Current message text
^h English (en)	'''Image Quality.''' We measure LPIPS (Zhang et al., [https://arxiv.org/html/2408.14837v1#bib.bib40 2018]) and PSNR using the teacher-forcing setup described in Section [https://arxiv.org/html/2408.14837v1#S2 2], where we sample an initial state and predict a single frame based on a trajectory of ground-truth past observations. When evaluated over a random holdout of 2048 trajectories taken in 5 different levels, our model achieves a PSNR of <math>29.43</math> and an LPIPS of <math>0.249</math>. The PSNR value is similar to lossy JPEG compression with quality settings of 20-30 (Petric & Milinkovic, [https://arxiv.org/html/2408.14837v1#bib.bib22 2018]). Figure [https://arxiv.org/html/2408.14837v1#S5.F5 5] shows examples of model predictions and the corresponding ground truth samples.
^h Spanish (es)	'''Calidad de imagen.''' Medimos LPIPS (Zhang et al., [https://arxiv.org/html/2408.14837v1#bib.bib40 2018]) y PSNR utilizando la configuración de "teacher forcing" descrita en la sección [https://arxiv.org/html/2408.14837v1#S2 2], donde seleccionamos un estado inicial y predecimos un solo fotograma basado en una trayectoria de observaciones pasadas de referencia. Al evaluar sobre una muestra aleatoria de 2048 trayectorias tomadas en 5 niveles diferentes, nuestro modelo alcanza un PSNR de <math>29,43</math> y un LPIPS de <math>0,249</math>. El valor de PSNR es similar al de la compresión JPEG con pérdidas con ajustes de calidad de 20-30 (Petric & Milinkovic, [https://arxiv.org/html/2408.14837v1#bib.bib22 2018]). La figura [https://arxiv.org/html/2408.14837v1#S5.F5 5] muestra ejemplos de predicciones del modelo y las correspondientes muestras de referencia.
^h Chinese (zh)	'''图像质量。''' 我们使用第[https://arxiv.org/html/2408.14837v1#S2 2]节中描述的教师强迫设置来测量LPIPS（Zhang 等人，[https://arxiv.org/html/2408.14837v1#bib.bib40 2018]）和PSNR。在该设置中，我们对初始状态进行采样，并根据地面实况的过去观察轨迹预测单帧。在对5个不同级别的2048条随机轨迹进行评估时，我们的模型实现了<math>29.43</math>的PSNR值和<math>0.249</math>的LPIPS值。PSNR值与质量设置为20-30的有损JPEG压缩相似（Petric & Milinkovic，[https://arxiv.org/html/2408.14837v1#bib.bib22 2018]）。图[https://arxiv.org/html/2408.14837v1#S5.F5 5]展示了模型预测和相应地面实况样本的示例。