一种通用且自适应的鲁棒损失函数

我们给出了 Cauchy/Lorentzian、Geman-McClure、Welsch/Leclerc、广义 Charbonnier、Charbonnier/pseudo-Huber/L1-L2 以及 L2 损失函数的推广。通过将鲁棒性作为连续参数引入，我们的损失函数使得围绕鲁棒损失最小化构建的算法得以推广，从而提升了在诸如配准和聚类等基本视觉任务上的性能。将我们的损失解释为单变量密度的负对数，得到了一个通用概率分布，其包含正态分布和柯西分布作为特例。这一概率解释使得能够训练神经网络，其中损失的鲁棒性在训练过程中自动适应，从而提升了在基于学习的任务（如生成图像合成和无监督单目深度估计）上的性能，且无需任何手动参数调优。