1. 程式人生 > >深度學習基礎--loss與啟用函式--感知損失(Perceptual Loss)

深度學習基礎--loss與啟用函式--感知損失(Perceptual Loss)

感知損失(Perceptual Loss)

  常用於GAN網路生成。
  Perceptual Loss的出現證明了一個訓練好的CNN網路的feature map可以很好的作為影象生成中的損失函式的輔助工具。
  GAN可以利用監督學習來強化生成網路的效果。其效果的原因雖然還不具可解釋性,但是可以理解為可以以一種不直接的方式使生成網路學習到規律。

  影象風格轉換演算法將圖片生成以生成的方式進行處理,如風格轉換,是從一張噪音圖(相當於白板)中得到一張結果圖,具有圖片A的內容和圖片B的風格。而Perceptual Losses則是將生成問題看做是變換問題。即生成影象是從內容圖中變化得到。

  以前的超解析度方法,大都使用平均平方誤差(Mean Square Error,簡稱MSE)匯出的損失函式(loss),直接最小化MSE loss雖能得到不錯的超解析度結果,但難以避免細節上的模糊,這是MSE本身設計問題導致的。
  ECCV 2016時中提出使用Perceptual loss替代MSE loss,獲得了細節更豐富的超解析度結果,但仍然有進步的空間。而Ledig等人的這篇論文在Perceptual Loss基礎上加入GAN loss,約束超解析度結果需符合自然影象分佈規律,使超解析度結果獲得了非常逼真的細節效果。此方法也並非全無缺點,由於GAN loss考慮的是自然影象的整體分佈,與具體輸入影象(即測試影象)無關,因此恢復的影象細節可能並不忠實於原圖,類似「捏造」出假細節,因此不適用於一些追求細節真實性的應用。