論文題目,核心要點記錄,代碼的核心實現,小結感受。
1. 要點記錄
這篇文章介紹了不同的loss function對image restoration 的 影響。
L2範數基本是默認的損失函數。優勢:比較直觀的就是L2損失函數可微,且凸。而且L2損失函數的網絡往往會對峯值性噪比PSNR有針對性的提升。缺點:L2指標與人類感知的圖像質量相關性較差,例如其假設噪聲與圖像的局部區域無關。
|
L1範數不少實驗中效果更好,我導師給我的建議,高頻L1,低頻L2。
|
SSIM(結構相似性,從亮度、對比度、結構上出發,更能符合人類視覺感知)
不過文章對ssim的定義與實際有出入吶,不深究了。TensorFlow也是有對應的loss計算啦。ssim計算在0--1之間,越接近1越好。因爲網絡訓練要求loss 越小越好,所以這裏用1-ssim。
|
MS-SSIM(多尺度的ssim)
|
L1 +MS-SSIM
|
2.貼出論文中的部分實驗結果
當然是混合的最好啦。 |
論文還對損失函數的收斂性進行研究,說明L1收斂性比L2更好,如下圖所示,在切換損失函數前,L1下降更快,說明L2之前可能陷入局部最小。
3.論文給出的代碼地址
https://github.com/NVlabs/PL4NN/blob/master/src/loss.py
caffe框架實現的。
之後看的論文,稍加記錄,便於之後的回顧,繼續加油!
科研路漫漫,上下而求索吶!