论文笔记-损失函数之SSIM

损失函数用来鼓励和抑制某些行为。
在深度学习中，如果是分类问题，则可以用交叉熵，softmax,SVM等损失函数。如果是回归问题，则代价函数普遍采用L2，或者L1。
由于L2（即用真值和预测值的欧氏距离）是一个非凸形式且可导。。但L2的使用前提是噪声高斯分布的。它抑制大的误差，但对小的误差却很能容忍。比如L2能很好地复现边缘，但却无法很好地消除那些小的噪声。
最重要的，L2和人类的视觉系统（human visual system (HVS)）很不一样。HVS对局部信息很敏感，对光照，颜色变化很敏感。而人类制造的相机，其感光能力是以HVS为努力方向的。
结构相似性指数（structural similarity index，SSIM）和HVS一样，对局部结构变化很敏感，而且可导。即使对图片进行白噪声，对比度增强，mean-shifted处理，SSIM也不会变化太多。

先写两篇文章的简略笔记

1.论文一

Image Quality Assessment: From Error Visibility to Structural Similarity

当对一幅图片进行有损压缩，或者一幅图片有了噪声、畸变（distortion）等。我们人可以分辨出这两幅图大概率还是同一幅图，但如何有效地衡量他们的相似性呢？
为了抵消普通的L2距离（Mean Square Error,MSE）无法衡量图片的结构相似性的缺陷，这篇文章提出了SSIM这种structure similarity的方法来做最后变化后的图片与变化前的结构相似性。

(各类相机的宗旨也是提供给更接近人眼感知系统(human vision system,HVS)的感知能力)
人眼对光照不敏感，但对局部（图像不同部分）光照的变化敏感。对灰度不敏感但对各部分灰度的相对变化程度敏感（对比度变化）。以及对整个很大局部的结构敏感。基于以上认知，作者最后提出的：

对于两个DxD的图像块，他们的SSIM始终小于1；1表示完全相似。其中