毕业论文代码

PSNR损失函数

class PSNRLoss(nn.Module):

    def __init__(self, loss_weight=1.0, reduction='mean', toY=False):
        super(PSNRLoss, self).__init__()
        assert reduction == 'mean'
        self.loss_weight = loss_weight
        self.scale = 10 / np.log(10)
        self.toY = toY
        self.coef = torch.tensor([65.481, 128.553, 24.966]).reshape(1, 3, 1, 1)
        self.first = True

    def forward(self, pred, target):
        assert len(pred.size()) == 4
        if self.toY:
            if self.first:
                self.coef = self.coef.to(pred.device)
                self.first = False

            pred = (pred * self.coef).sum(dim=1).unsqueeze(dim=1) + 16.
            target = (target * self.coef).sum(dim=1).unsqueeze(dim=1) + 16.

            pred, target = pred / 255., target / 255.
            pass
        assert len(pred.size()) == 4

        return self.loss_weight * self.scale * torch.log(((pred - target) ** 2).mean(dim=(1, 2, 3)) + 1e-8).mean()
    #等价于self.loss_weight *10 * torch.log10(((pred - target) ** 2).mean(dim=(1, 2, 3)) + 1e-8).mean()

self.loss_weight * self.scale * torch.log(((pred - target) ** 2).mean(dim=(1, 2, 3)) + 1e-8).mean()

self.loss_weight是固定值1

其中self.scale=10 / np.log(10)

10 / np.log(10) 表示的是一个常数，它的值约为 4.34294481903。这个常数通常用于计算信噪比（SNR）以及峰值信噪比（PSNR）

在计算 PSNR 时，使用 10 / np.log(10) 的值是因为 PSNR 的定义中包含对峰值信号功率和均方误差之间的对数关系。通过取对数并乘以一个常数（10 / np.log(10)），可以将均方误差转换为以对数刻度表示的度量，从而得到更符合人类感知的图像质量评估指标。

因此，10 / np.log(10) 在 PSNR 计算中扮演着重要的角色，它将均方误差转换为了以分贝（dB）为单位的信噪比度量。

((pred - target) ** 2).mean(dim=(1, 2, 3))

其中((pred - target) ** 2).mean(dim=(1, 2, 3))等价于MSE

表示对预测图像和目标图像之间每个像素点的差的平方进行求和，并且取平均值。这一步计算得到的结果是一个张量，其维度可能会降低，具体取决于输入张量的维度。

在这里，.mean(dim=(1, 2, 3)) 的含义是对第 1、2、3 维（通常是通道、高和宽）进行求平均值。这意味着对每个样本，对每个通道、高和宽上的差的平方求和并取平均值。最终得到的结果是每个样本的均方误差（MSE），形成一个张量。

为了避免出现除零错误，代码中添加了一个小的偏置项 1e-8，即 + 1e-8。这样可以确保即使计算出的均方误差接近0时，也不会出现除零错误或者负无穷值。

等价函数

self.loss_weight *10 torch.log10(((pred - target) ** 2).mean(dim=(1, 2, 3)) + 1e-8).mean()

import torch
import torch.nn as nn

class PSNRLoss(nn.Module):
    def __init__(self):
        super(PSNRLoss, self).__init__()
        self.mse = nn.MSELoss()

    def forward(self, img1, img2):
        mse = self.mse(img1, img2)
        psnr = 10 * torch.log10(1 / mse)
        return psnr