边缘损失edge loss

论文： https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8461664

在图像超分中，我们常用MSE loss,但是它有一些缺点， 如：
MSE的评价指标与人的对图像的主观感知效果没有很好的相关性， 因为它考虑的是平均， 没有很好地考虑一些显著特征的影响， 而显著的结构和纹理信息与人的主观感知效果有高度相关。

本文提出了一种边缘损失(edge loss)函数， 可以很好地考虑高频的纹理结构信息， 提高超分图像的细节表现。

该函数如下：

其中X 和Y分别是网络输出的超分图像和真实的超分图像，E 是求得的边缘特征。
其实公式很好理解， |X-Y|表示了超分图像与真实图像的绝对误差， 但是我们更关心边缘的信息， 所以用E 去加权， 边缘部分的占比就会变大，那么这个loss就能更好地优化边缘信息。