SSIM（MSSSIM）loss和相似功能的loss总结

1、tensorflow版本

https://www.e-learn.cn/index.php/content/wangluowenzhang/249870

2、pytorch版本（SSIM、MSSSIM）

https://github.com/jorge-pessoa/pytorch-msssim/tree/master

3、contextual loss（作用同SSIM）

https://www.cnblogs.com/jingyingH/p/9831027.html

https://github.com/roimehrez/contextualLoss

4、和SSIM loss思想相近的还有perceptual loss；

5、利用SSIM loss的论文

https://www.jianshu.com/p/a4db43de4fb2

https://www.jianshu.com/p/0fc4c696e409-----ACGAN

6、对比损失

https://blog.csdn.net/Hero_Never_GIVE_UP/article/details/82855493

7、SSIM loss和mse loss的总用区别

上图左侧为原图，中间为把灰度值调整为原来 0.9 的图，右侧为高斯模糊后的图。我们人眼明显感觉到中间的图比右边的图清晰，然而 MSE 距离显示，右侧的图与原图的距离远小于中间的图与原图的距离，即右侧的图质量比中间的高。

作者结合神经科学的研究，认为我们人类衡量两幅图的距离时，更偏重于两图的结构相似性，而不是逐像素计算两图的差异。因此作者提出了基于 structural similarity 的度量，声称其比 MSE 更能反映人类视觉系统对两幅图相似性的判断。

https://blog.csdn.net/jacke121/article/details/90749274

8、这些loss主要都是一些语义一致性的损失，其中cycada中语义一致性损失用在原图和迁移后的图经过分类器的loss，而perceptual loss是原图和迁移后的图经过VGG的相关层的loss，底层注重纹理，高层注重结构，亦可以用在计算原图和重建后的图的VGG loss上；

https://github.com/jhoffman/cycada_release

https://github.com/a514514772/DISE-Domain-Invariant-Structure-Extraction

9、SSIM loss解读

https://blog.csdn.net/hyk_1996/article/details/87867285