图像重建损失

常见的图像重建损失为：SSIM、MSE 和余弦相似度损失；

(a) MSE 损失（Mean Squared Error Loss）

• 定义：MSE 损失计算重建图像（image_constructor）与原始图像（ori_image）之间的像素级均方误差：
  
  其中 NNN 是像素总数，reconirecon_ireconi​ 和 originalioriginal_ioriginali​ 分别是重建和原始图像的像素值。
• 
  
• 是否全局：是的，MSE 是全局损失，因为它对整个图像的每个像素进行均方误差计算，忽略空间位置的差异。MSE 更关注全局相似性（低频信息），对局部细节（如人脸的高频纹理）敏感度较低。
• 
  
   

(b) SSIM 损失（Structural Similarity Index）

• 定义：SSIM 衡量两个图像的结构相似性，基于亮度、对比度和结构三个方面，通常通过滑动窗口计算局部统计量，然后全局平均：
  
  其中 SSIM 公式为：
  
•  μx,μy​ 是均值，σx,σy​ 是标准差，σxy​ 是协方差，C1,C2​ 是常数。
• 
  
• 是否全局：SSIM 默认是全局损失，因为它通常对整个图像或通过滑动窗口计算局部 SSIM 后取全局平均（如 pytorch_ssim.SSIM 的默认行为）。但 SSIM 部分考虑局部结构（通过窗口），对高频细节（如边缘）有一定敏感性，但仍以全局相似性为主。
• 
  
   

(c) 余弦相似度损失（Cosine Similarity Loss）

• 定义：余弦相似度损失计算两个特征图（例如 fpn_features['res2-res5'] 和 ori_fpn_features）之间的余弦相似性：
  
  ​ 其中 feature1 和 feature2 是展平后的特征向量。
• 
  
• 是否全局：是的，余弦相似度损失是全局损失，因为它对整个特征图的分布进行相似性计算，忽略空间位置的局部差异。余弦损失更关注特征的全局方向性和分布（低频或语义信息），对局部高频纹理（如车牌边缘）敏感度较低。