前言
做插帧这么久了，这几个指标还没系统的研究过，这次开一个博客写下这几个指标的区别
这里贴一个比较全的评价指标的库https://github.com/csbhr/OpenUtility/tree/c9cf713c99523c0a2e0be6c2afa988af751ad161
以以下两张图为例
预测图片
真实图片
MSE
MSE(mean squared error)均方误差
公式如下：
即两张图片对应像素点数的差的平方求平均，这里可以理解为带噪声图像与干净图像之间的噪声
对于这两张0-255的取值范围的图片，MSE的值为20.3308
对于上图真值图片和一张全黑图片（值为0），MSE的值为15907.2259
对于全白图片和全黑图片，MSE的值为255*255=65025
而将该两张图片过Tensor后缩放成0-1之间，MSE的值为0.0003
显然，MSE的值的大小和图片本身是有关的
PSNR
PSNR（Peak Signal-to-Noise Ratio）
PSNR即峰值信噪比，衡量的是对应像素之间的相近程度
公式如下
MSE即上图的均方误差。MAXI为图像中像素颜色的可以取到的最大数值，即255
PSNR则是反映MSE的相对大小情况
如上图与真值的PSNR为35.054（Unit8）
将上图缩放为0-1之间，PSNR为35.229（float64）
这两种情况的取值不一样！！！
以及，直接用unit8相减减不出负值，会溢出，而平方的取值范围达不到，最后的MSE的值会不准，导致PSNR结果不对
至于峰值信噪比和信噪比之间的关系（信噪比我理解的是预测图片像素值的均方和），这里我理解的是将图片的信号值变成最大数值，可以规避掉图片由于RGB绝对值很小带来的PSNR值很小的情况，导致同样噪声情况下，亮度值大的图片比亮度值小的图片PSNR值高
这里还值得注意的是，若MSE的值为0，会导致PSNR取值无限大，因此会采用加上一个小的值到MSE上，进行截断，比如加上1e-8，因此PSNR最大值为128.13080360867912
而MAX平方/MSE永远>=1,因此PSNR的值不会为负（是负的就是算错了分子分母上下的值没搞对）
SSIM
【论文】
SSIM（structural similarity index）结构性相似指标
评价一张图片的亮度 (luminance ）、对比度 (contrast ) 和结构 (structure)
亮度用均值表示
标准差，协方差作为对比度的表示
作为结构的表示
SSIM和PSNR的差别
a作为gt，以下5张图有着同样的PSNR值，但是SSIM值差别很大
同时，SSIM只是计算的一个小窗口内图像的亮度、对比度、结构的值得相似程度（三者是不相关的），通过逐像素滑窗求平均，可以得到整幅图像的MSSIM
LPIPS
Learned Perceptual Image Patch Similarity (LPIPS) 感知图像块相似性
来源于CVPR2018年的一篇论文【here】
其主要思想是用CNN网络学到一些深层特征，再求得两张图片的深层特征之间的距离
网络的搭建如下：
首先F即是不同的CNN网络，有Alexnet，VGG,squeeze,过了网络之后得到不同层的特征图y，将这些特征图在通道维进行单位归一化，
然后对特征维的不同通道乘上一个缩放因子，再将两张图的特征做l2损失，最后不同层的特征求得损失求平均得到一个距离d0=(x,x0)
而右边的预测感知评价则是跟数据集有关。这里作者先介绍了一种评价图片相似程度的准则，2AFC similarity judgments，简称AFC，一组图片中有三张图片组成，其中两张图片分别与另一张图片配对，得到（x,x0）(x,x1)，然后由人去判断哪张图片与参考图片更相似一点，最后两个配对的置信度分别由支持人数的比例构成，比如5个人里4个人觉得第一组更接近，那么第一组的置信度就是80%，第二组就是20%，最后这一组三张图片回答得到一个总的分数，总的分数的计算规则为p * p+(1-p) * (1-p)
因此通过网络G，将输入的两组距离映射得到一个输出分数，与地面真值相比使最终的损失最小文章来源：https://www.toymoban.com/news/detail-635465.html
并提出三种不同的训练策略：-lin ，只训练最后一层的分类头，-tune，预训练之后做微调，-scratch高斯初始化后从头训
这是一些作者给出的结果，可以看到在认为设计的扭曲数据集上和算法生成的扭曲的数据集上，LPIPS 得到的分数都是跟人最接近的
用起来也比较简单，导个包就好了，作者再代码主页也介绍得比较详尽了文章来源地址https://www.toymoban.com/news/detail-635465.html
到了这里，关于图像质量的评价指标【PSNR/SSIM/LPIPS/IE/NIE/Prepetual loss】的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
