本文提出一种基于傅里叶域的感知质量强化的超分辨率图像重建方法，利用新型 Loss Function 提升低复杂度生成器网络的表现，以及在空间域和傅里叶域均应用不同 Loss Function 以提取不同信息。最终得出与 RankSRGAN 和 SRFlow 等最先进感知超分辨率方法相当的结果，并且比这些方法快 2.4 倍至 48 倍不等。

Jun, 2021

本论文描述了一种简单的无监督领域适应方法，通过交换低频谱来减少源和目标分布之间的差异，该方法在语义分割中实现了最新的性能，并且不需要对离散领域选择变量进行不变的神经网络背骨的敌对优化。

Apr, 2020

本文介绍了一种新的拓扑感知损失函数，通过计算地面实况和预测之间的持续性图的 Wasserstein 距离来惩罚两者之间的拓扑不相似性，实验证明该拓扑感知损失函数在计算机断层扫描图像的分割任务中得到了比其他方法更好的结果。

Jul, 2023

我们引入了一种对导管和导丝进行形状敏感的损失函数，并将其应用于视觉转换网络中，在大规模 X 射线图像数据集上取得了最新的研究成果。我们将网络预测和相应的真值转换为有符号距离图，从而使任何网络能够集中精力处理关键的边界而不仅限于整体轮廓。通过计算这些特征向量之间的余弦相似度，我们对图像相似性有了更细致的理解，超越了传统基于重叠度的测量方法的局限。我们的方法具有许多优势，包括尺度和平移不变性，以及对微小差异的较好检测，从而确保图像中医疗仪器的准确定位和描述。全面的定量和定性分析证实了相比现有基准的显著性能提升，展示了我们新的形状敏感损失函数在改善导管和导丝分割方面的潜力。

Nov, 2023

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

本文介绍了广泛用于图像分割的知名损失函数，并列出了能够帮助模型快速优化的情况。同时，我们还介绍了一种新的 Log-cosh Dice 损失函数，并与广泛使用的损失函数在 NBFS 颅骨分割开源数据集上进行了比较。我们还展示了某些损失函数在所有数据集上表现良好，并可作为未知数据分布情况下的良好基准选择。欲了解更多信息，请访问 Github 链接。

Jun, 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

提出了一种基于 Tversky 指数的广义 focal loss 函数来解决医学图像分割中数据不平衡的问题。在小的结构如病变方面，相较于常用的 Dice loss，我们的损失函数在精确率和召回率之间取得了更好的平衡。通过在图像金字塔中加入上下文特征，改进了 Attention U-Net 模型的性能，针对 BUS 2017 数据集和 ISIC 2018 数据集进行的实验结果显示，在占图像面积的 4.84% 和 21.4% 的情况下，与标准 U-Net 相比，分割精度分别提高了 25.7% 和 3.6%。

Oct, 2018

本论文提出使用不对称相似度损失函数训练全卷积深度神经网络来解决医学影像分割中数据不平衡的问题，并在多个数据集上取得了最佳性能。

Mar, 2018

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