在图像修复、图像提升和深度估计等任务中经常使用到一系列度量指标,除了常用的PSNR和SSIM外,RMSE和MAE能很好的反应图像的重建结果与真实结果间的差异。
1.均方误差RMSE
首先来看均方误差(root mean square error)的定义,假设图像大小是
m
∗
n
m*n
m∗n,针对每个像素求出误差的平方和并求均值再开方:
R
M
S
E
=
1
m
∗
n
∑
i
m
∗
n
(
y
i
−
y
^
i
)
2
RMSE = \sqrt{\frac{1}{m*n}\sum_i^{m*n}(y_i-\hat y_i)^2}
RMSE=m∗n1i∑m∗n(yi−y^i)2
它是精度的一个度量,可以用于比较不同模型在同一数据集上的预测表现;
它可以放大误差的的幅度(误差越大rmse越大);
可以通过rmse计算出PSNR:
P
S
N
R
=
20
∗
log
10
m
a
x
R
M
S
E
PSNR = 20 * \log_{10} \frac{max}{RMSE}
PSNR=20∗log10RMSEmax
2.平均绝对误差MAE
MAE(mean absolute error)其定义为误差绝对值的平均值,公式如下:
M
A
E
=
1
m
∗
n
∑
i
m
∗
n
∣
(
y
i
−
y
^
i
)
∣
MAE = \frac{1}{m*n} \sum_i^{m*n} |(y_i - \hat y_i)|
MAE=m∗n1i∑m∗n∣(yi−y^i)∣
它可以表示预测值与真实值之间的平均距离;
它与数据的尺度相同;
它具有更好的解释性,便于理解;
tips,与AAD的区别
3.与L1和L2 loss的联系
L1是一阶的绝对误差,L2是平方误差,公式如下:
L
1
=
∑
i
m
∗
n
∣
y
i
−
y
^
i
∣
L
2
=
∑
i
m
∗
n
(
y
i
−
y
^
i
)
2
L_1 = \sum_i^{m*n}|y_i - \hat y_i| \\ L_2 = \sum_i^{m*n}(y_i - \hat y_i)^2
L1=i∑m∗n∣yi−y^i∣L2=i∑m∗n(yi−y^i)2
4.方差(variance σ 2 \sigma^2 σ2)与标准差(std σ \sigma σ)
首先定义随机变量X,或者对于离散随机变量xi对应概率pi,其期望或者均值可以写为下面的样子:
μ
=
E
(
X
)
μ
=
∑
i
=
1
n
(
p
i
x
i
)
\mu = E(X) \\ \mu = \sum_{i=1}^n(p_i x_i)
μ=E(X)μ=i=1∑n(pixi)
而后可以定义方差是:随机变量与均值差 的平方的期望(平方的均值):
V
a
r
(
X
)
=
E
(
X
−
E
(
X
)
)
V
a
r
(
X
)
=
1
n
∑
i
n
(
x
i
−
μ
)
2
Var(X) = E(X-E(X))\\ Var(X) = \frac{1}{n} \sum_i^n (x_i - \mu)^2
Var(X)=E(X−E(X))Var(X)=n1i∑n(xi−μ)2
标准差则可以直接从方差的平方根得到:
s
=
σ
=
1
n
∑
i
n
(
x
i
−
μ
)
2
s = \sigma = \sqrt{\frac{1}{n} \sum_i^n (x_i - \mu)^2}
s=σ=n1i∑n(xi−μ)2
有时也会写为:
s
=
σ
=
1
n
−
1
∑
i
n
(
x
i
−
μ
)
2
s = \sigma = \sqrt{\frac{1}{n-1} \sum_i^n (x_i - \mu)^2}
s=σ=n−11i∑n(xi−μ)2
ref:
https://blog.csdn.net/capecape/article/details/78623897
latex choose:https://www.zhihu.com/question/21088362/answer/29312831
img:https://images.app.goo.gl/ZmBsPph7DeGAK36K6
https://afteracademy.com/blog/what-are-l1-and-l2-loss-functions
https://zhuanlan.zhihu.com/p/48426076