论文题目,核心要点记录,代码的核心实现,小结感受。
1. 要点记录
这篇文章介绍了不同的loss function对image restoration 的 影响。
L2范数基本是默认的损失函数。优势:比较直观的就是L2损失函数可微,且凸。而且L2损失函数的网络往往会对峰值性噪比PSNR有针对性的提升。缺点:L2指标与人类感知的图像质量相关性较差,例如其假设噪声与图像的局部区域无关。
|
L1范数不少实验中效果更好,我导师给我的建议,高频L1,低频L2。 |
SSIM(结构相似性,从亮度、对比度、结构上出发,更能符合人类视觉感知)
不过文章对ssim的定义与实际有出入呐,不深究了。TensorFlow也是有对应的loss计算啦。ssim计算在0--1之间,越接近1越好。因为网络训练要求loss 越小越好,所以这里用1-ssim。 |
MS-SSIM(多尺度的ssim)
|
L1 +MS-SSIM
|
2.贴出论文中的部分实验结果
当然是混合的最好啦。 |
论文还对损失函数的收敛性进行研究,说明L1收敛性比L2更好,如下图所示,在切换损失函数前,L1下降更快,说明L2之前可能陷入局部最小。
3.论文给出的代码地址
https://github.com/NVlabs/PL4NN/blob/master/src/loss.py
caffe框架实现的。
之后看的论文,稍加记录,便于之后的回顾,继续加油!
科研路漫漫,上下而求索呐!