像素级损失函数和经典超分文章_超分对抗网络损失函数-CSDN博客

本文链接：https://blog.csdn.net/zcg1942/article/details/137608936

损失函数

https://towardsdatascience.com/super-resolution-a-basic-study-e01af1449e13

在GAN出现之前，使用的更多是MSE，PSNR,SSIM来衡量图像相似度，同时也使用他们作为损失函数。

MSE

MSE（Mean Squared Error）

表面上MSE直接决定了PSNR，MSE：

但是这些引以为傲的指标，有时候也不是那么靠谱：

https://arxiv.org/pdf/1809.07517

MSE对于大的误差更敏感，所以结果就是会倾向于收敛到期望附近，表现为丢失高频信息。

https://arxiv.org/pdf/1609.04802

同时根据实验，MSE的收敛效果也差于L1：

MAE

MAE（Mean Absolute Error）

MAE相比于MSE，对所有像素一视同仁，能保留更多高频信息，所以更符合人眼。

但是只使用L1也有问题，现在通常的做法是多种损失混合使用，比如MS-SSIM+L1，还有基于DCT的loss。

在目前超分辨率的论文中不使用MSE，而使用L1或者Perceptual loss的原因是什么？ - 知乎

SMAPE Loss

SMAPE Loss‌，即对称平均百分比误差（Symmetric Mean Absolute Percentage Error），是一种基于百分比误差的损失函数，用于衡量预测值与实际值之间的差异。

可以看出，SMAPE包含了MAE，是MAE基础上的升级。

原始的MAE因为有绝对值的关系，其实本来就是对称的，label和output交换位置不影响loss的计算。但是考虑到人眼的非线性的影响，还需要有一个分母来归一化，这样label取值很小的情况也会被考虑到。而为了仍然保证交换性，所以分母是二者的均值。

Charbonnier loss

也是L1 loss的一种改进。在零点附近由于常数 $\varepsilon$ 的存在，梯度不会变成零，避免梯度消失。函数曲线近似L1损失，相比L2损失而言，对异常值不敏感，避免过分放大误差。

class L1_Charbonnier_loss(torch.nn.Module):
    """L1 Charbonnierloss."""
    def __init__(self):
        super(L1_Charbonnier_loss, self).__init__()
        self.eps = 1e-6

    def forward(self, X, Y):
        diff = torch.add(X, -Y)
        error = torch.sqrt(diff * diff + self.eps)
        loss = torch.mean(error)
        return loss</