水平加权结构相似性差异度损失:从均方误差迈出一步
通过使用 better calibrated to human perceptual judgments of image quality: the multiscale structural-similarity score (MS-SSIM) 进行训练而不是使用 pixel-wise loss (PL),提出了更好的 perceptually-optimized methods,已被证明在三种不同的自动编码器中表现更好,可以在图像分类和超分辨率成像方面为计算机视觉带来极大的潜力。
Nov, 2015
本文介绍了利用结构相似性的感知损失函数,通过考虑图像之间的相互依赖关系,包括亮度,对比度和结构信息,而不是简单的单像素值对比,来实现对复杂真实数据集的未监督缺陷分割,通过对仿生材料和织物数据集的实际应用表明,该方法在性能上显著优于以像素为基础重建误差度量的非网络方法以及先前的优化卷积自动编码器。
Jul, 2018
本文提出了一种基于对比度计算的新的损失函数,并建立了通用对权重(GPW)框架,将深度度量学习的采样问题转化为对加权问题。通过对三个相似度的归一化,提出了一种新的多相似度损失(MS 损失)来收集和加权信息对,得到了较好的性能表现。
Apr, 2019
本文分析了结构相似性指数(SSIM)的数学因素,并展示了其可能带来的非预期、未定义和非直观结果,因此使用 SSIM 作为图像质量指标可能导致错误结论,使用其作为深度学习的损失函数会带领神经网络训练向错误的方向。
Jun, 2020
本文探讨了深度学习压缩技术中常用的 MS-SSIM 和 MSE 误差函数与人类感知之间的关系,提出了 Deep Perceptual Compression 技术,通过在深度感知指标和 MS-SSIM 之间进行联合优化,相比先前的学习压缩方法和 JPEG-2000 具有更好的视觉效果,并且在目标检测等任务中表现更好。
Jul, 2019
基于多个相似性度量的新型多相似性对比损失(MSCon)提供了在不同相似关系下学习可推广嵌入的方法,通过自动学习对应相似性的对比权重,降低不确定任务的影响,从而在内部和外部领域中优于最先进的基准模型。
Jul, 2023
本研究提出了一种基于信息论的方法来衡量两张图片之间的相似度,能够学习出轻量的 critic 来校准特征空间,从而实现对应空间的图像重建和非对应空间的图像排斥,这种方法能够代替 L1 loss 用在有或者没有 GAN loss 的基于监督的图像合成模型中,从而显著提升了合成图片的感知逼真度。
Nov, 2021
提出了一种新的损失函数 LMSE,比现有的 MSE 函数更加稳定,对于异常检测性能和损失函数收敛性更强,在深度学习的领域中具有广泛的应用前景。
Jan, 2022