https://research.nvidia.com/publication/loss-functions-image-restoration-neural-networks

常用損失函數（L1、L2、SSIM和MS-SSIM）對比簡介

• 1 介紹
• 2 損失函數
• 3 效果對比
• 4 總結
• 參考資料

1 介紹

本文的介紹主要是參考論文：Loss Functions for Image Restoration with Neural Networks，而作者是從這三個實驗（image super-resolution, JPEG artifactsremoval, and joint denoising plus demosaicking）上來證明這幾個損失函數的好壞。

2 損失函數

L1損失函數： 基于逐像素比較差異，然后取絕對值

L2損失函數： 基于逐像素比較差異，然后取平方

相對于L1損失函數，L2損失函數會放大最大誤差和最小誤差之間的差距（比如22 和0.10.1），另外L2損失函數對異常點也比較敏感。如果我們在訓練網絡的時候，只用L1損失函數或者L2損失函數的時候，很容易陷入到局部最優解中，如果選擇交替訓練的話，說不定會取得不錯的效果。

在圖像質量評價指標中，有一個指標是PSNR(Peak Signal-to-Noise Ratio) 峰值信噪比，它正好對標L1和L2損失函數，但L1和L2是有一個共性：它們都是基于逐像素比較差異，沒有考慮人類視覺感知，更沒有考慮人的審美觀，所以PSNR指標高，并不一定代表圖像質量就好。在下面公式中，如果圖片中每個像素都由 8 位二進制來表示，那么MAX就為 255

SSIM（結構相似）損失函數：考慮了亮度 (luminance)、對比度 (contrast) 和結構 (structure)指標，這就考慮了人類視覺感知，一般而言，SSIM得到的結果會比L1，L2的結果更有細節

MS-SSIM（多尺度結構相似）損失函數：基于多層（圖片按照一定規則，由大到小縮放）的SSIM損失函數，相當于考慮了分辨率

MS-SSIM+L1損失函數：作者這樣組合的原因是，MS-SSIM容易導致亮度的改變和顏色的偏差，但它能保留高頻信息（圖像的邊緣和細節），而L1損失函數能較好的保持亮度和顏色不變化。公式中α為0.84，是作者試驗出來的，而G為高斯分布參數（MS-SSIM里面也要用到這個）

3 效果對比

超分辨率：放大圖片對比會發現L2中出現光柵失真現象，最好去原論文放大看看

JPEG去塊：放大圖片對比會發現L2中還是有比較嚴重的塊狀現象，最好去原論文放大看看

去噪+去馬賽克：一眼看出，L2的效果明顯差一些，就不用放大了

我個人覺得評價一張圖片的質量好不好，或者那個算法的效果好不好，應該結合主觀和客觀來評價，下圖的客觀數據也表明：MS-SSIM+L1損失函數是最好的

4 總結

1.既然用了L2損失函數，為何不嘗試一下L1損失函數2.如果不看PSNR指標，那就用MS-SSIM或者SSIM損失函數吧3.如果想獲得奇效，試一下組合損失函數也為何不可

參考資料

https://blog.csdn.net/u013289254/article/details/99694412

https://blog.csdn.net/Kevin_cc98/article/details/79028507

https://blog.csdn.net/jacke121/article/details/90749274

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的常用损失函数（L1、L2、SSIM和MS-SSIM）对比简介的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。