解析PEN_NET(基于金字塔式图像修复)——损失函数（感知损失，风格损失，

上一篇博客我简单介绍了下基于金字塔式的图像修复
我clone了该项目，并逐步分析，本篇文章主要讲解一下这个项目的损失函数的定义

传统基于均方误差损失

从一幅缺失的图像转换到一幅修复的图像
我们最常想到的就是MSE均方误差损失

通过比较每个像素的误差，最后取平方再平均，得到一个loss损失值，并反向传播，对各个层进行梯度下降

事实上，均方误差表现的也不错，但是在一些细节，特征上缺失，造成局部的模糊

以笔者的一个简单的图像修复demo，它解码出来的图片是这样的

可以很明显看出基于MSE损失恢复出来的图像，在修复理发店的字体的时候表现并不是很好，那几个字母其实是很模糊的，但是大体形状是修复出来的。

感知损失

基于均方误差损失的缺陷，2016年李飞飞团队提出感知损失

该网络核心思想是这样的，即然MSE的细节特征修复的不是很好，那我就找一个预训练出来的网络来捕捉其图像的特征细节，根据生成的特征图，计算其L1损失函数，作为损失值的一部分

在该项目的代码中，作者使用的是VGG19网络，将图像都流入该网络，并将其中的relu层中的特征图拿出来进行L1loss的计算。