用于学习卷积自编码器的空间频率损失

本文提出了一种用于卷积自编码器（CAEs）从图像中提取特征的学习方法。CAEs 可以通过利用卷积神经网络以无监督方式学习恒等函数的近似来获得。基于像素损失（PL）的损失函数，即原始图像与重建图像像素值之间的均方误差，是学习中的常见选择。然而，使用该损失函数会导致重建图像模糊。为了缓解这一问题，本文提出了一种使用从反映空间频率的特征中计算的损失函数来学习 CAEs 的方法。重建图像中的模糊表明缺乏高空间频率成分，这些成分主要构成边缘和细节纹理，是目标检测和空间匹配等任务的重要特征。为了评估这些成分的缺失，在 CAEs 中加入了一个以拉普拉斯滤波器组为权重的卷积层，并从每个滤波器的输出中计算某个子带内特征的均方误差，称为空间频率损失（SFL）。学习过程使用基于 SFL 的损失函数进行。实验评估表明，使用 SFL 减少了重建图像中的模糊。