层级加权结构相似性损失：远离 MSE 的一步
计算机视觉与模式识别
2019-05-01 v1 机器学习
摘要
均方误差（MSE）在应用于自编码器（Auto-Encoder）等深度生成模型来建模重构损失时已展现出其优势。然而，尤其在图像领域，MSE 的局限性显而易见：它假设像素独立并忽略样本的空间关系。这与大多数使用卷积层提取空间相关特征的自编码器架构相矛盾。我们基于结构相似性度量（SSIM）提出了一种用于卷积自编码器的新型层级加权结构相似性（LWSSIM）损失。在多种自编码器变体的常用数据集上的实验表明，我们的损失能够优于 MSE 损失和原始 SSIM 损失。我们也给出了我们的模型在标准 SSIM 损失失效的情况下仍能成功的原因。
引用
@article{arxiv.1904.13362,
title = {The Level Weighted Structural Similarity Loss: A Step Away from the MSE},
author = {Yingjing Lu},
journal= {arXiv preprint arXiv:1904.13362},
year = {2019}
}