本综述系统地评估了用于图像分割的 25 种损失函数，并提出了分类法和评估方法，以帮助研究人员找到适用于其应用的最佳损失函数。对医疗和自然图像数据集进行了中立评估，并指出了当前挑战和未来研究机会。

Dec, 2023

本论文针对 2D 和 3D 分割任务中出现的标签不平衡问题，探究了几种损失函数（如加权交叉熵函数、敏感度函数、Dice 损失函数）的表现及其对学习率的敏感性，并提出使用广义 Dice 重叠作为一个强韧而准确的损失函数，来实现在不平衡任务中的类别重新平衡。

Jul, 2017

本文研究医学图像分割中最受欢迎的损失函数之一：Soft-Dice loss，专注于在目标标签中存在噪声的情况下提供最优解决方案，通过阈值处理将软分割转换为硬分割可最大化 Dice 系数，实验结果证实理论结果。

Apr, 2023

本文利用系统化的分类方法将现有损失函数归为四个有意义的类别，探讨了区域 - 和边界为基础的损失函数之间的关系，并提供了 PyTorch 实现代码。

May, 2020

本文提出了一种基于 Tversky 指数的损失函数来解决数据不平衡问题，在多发性硬化磁共振图像分割中实现更好的精确度和召回率，实验结果表明 Tversky 损失函数作为广义框架可以有效地训练深度神经网络。

Jun, 2017

通过使用一种新的可微分度量替代传统分割损失函数，我们提出了一种新的分割边界检测方法，该方法在监督二进制分割任务中准确地提取出现具有精确定义的多个类的边界，并在 ISPRS 波茨坦、INRIA AIL 等数据集上使用验证，最终的结果表明，该方法提高了 IoU 分数，优于基线方法。

May, 2019

本文提出一种新的鲁棒性 Loss 函数 ——T-Loss，该函数基于学生 - t 分布的负对数似然，可以通过单个参数有效地处理数据中的异常值，并且在反向传播过程中更新该参数，从而消除了需要进行额外计算或关于噪声标签的级别和分布的先前信息的需要。我们的实验表明，在皮肤病和肺分割的两个公共医学数据集上，T-Loss 在 Dice 分数方面优于传统 Loss 函数。我们还展示了 T-Loss 处理不同类型的模拟标签噪声的能力，这些噪声类似于人为误差。我们的结果提供了有力的证据，表明 T-Loss 是一种有前途的选择，可以处理医学图像分割中典型的高噪声或异常值情况。

Jun, 2023

本文提出利用判别式损失函数的像素级卷积神经网络来实现简单的图像实例分割，不需要借助物体提议或循环机制，仅仅通过一个后处理步骤即可完成聚类，简单有效且具有竞争性。

Aug, 2017

本文主要介绍了在深度网络训练中设计适当的损失函数的重要性，特别是在语义分割领域，介绍了自动设计指标特定损失函数的方法，并介绍了代替度量中不可微分操作的可参数化函数以及在参数搜索中使用的两个约束。实验表明，所搜索的替代损失函数在其他数据集和网络上也具有良好的泛化能力，与手动设计的损失函数相比性能更好。

Oct, 2020

本文提出了一种新的距离图生成损失项来辅助卷积神经网络在医学图像分割中选择难以分割区域，经实验证明此项可以显著提高分割质量、更好地保存骨骼边界形状特征，有望用于提取形态学生物标志物，并得出定量评估指标。

Aug, 2019