概要

SRGAN的特點之一就是引進了損失感知函數，由此提升了超分辨率之后的細節信息。本文主要像您介紹SRGAN使用的損失函數，及其Keras實現。

損失函數公式

這是原文中給出的損失函數。
容易看出，此損失函數包括兩部分，第一部分是感知損失，第二部分是正則化損失。

感知損失

感知損失是由李飛飛團隊提出的一種損失函數。
感知損失分了兩部分，內容損失和對抗損失。

內容損失

論文中給出的內容損失如下：

論文中指出：傳統的超分辨率任務中直接使用的均方根誤差(MSE)的損失函數，雖然有助于提高超分辨率任務的峰值信噪比(PSNR)，但是對于圖像的細節卻是起到了模糊作用。本文使用的內容損失，是將生成器生成的假高分辨率圖像和真實的高分辨率圖像送入VGG19網絡中進行特征提取，然后在提取的特征圖上再使用均方根誤差。這里并非是利用全部的VGG19網絡提取特征，而是僅僅利用其中一部分。所以對應不同層數的VGG19網絡進行提取。例如使用前9層進行特征提取，或者前7層進行特征提取。公式下方也講了：這里的i和j分別就是指第i層最大池化前的第j個卷積層。作者進行了實驗，在VGG網絡不同位置提取出的特征圖，并將其均方根誤差作為內容損失進行了訓練。作者選取的層數如下：

SRGAN-MSE是直接使用MSE在假高分圖像和真高分圖像之間計算。SRGAN-VGG22：是利用第二個最大池化前的第二個卷積層之前的網絡進行特征提取，在假高分圖像和真高分圖像進行MSE均方根誤差的計算。也就是VGG19網絡的前4層進行特征提取。SRGAN-VGG54：是利用第五個最大池化前的第四個卷積層之前的網絡進行特征提取，在假高分圖像和真高分圖像進行MSE均方根誤差的計算。也就是VGG網絡的前16層的輸出。實驗結果表明，SRGAN-VGG54的細節信息最好，人眼的觀賞效果也最好。顯然，直接使用MSE的效果是不佳的。VGG22和VGG54效果是逐漸提升的。

對抗損失

論文中的對抗損失如下：

這實際上是GAN作者自己提出的一種改進型的生成器損失函數。最小化此式，也就是最大化判別器給予生成器所生成的圖像為真的概率。

正則化損失

文章中使用的正則化損失是一種基于全變分范數的正則化損失函數。

這種正則化損失傾向于保存圖像的光滑性,防止圖像出來變得過于像素化。

代碼的實現

vgg損失(內容)：

總結

以上是生活随笔為你收集整理的损失函数_SRGAN损失函数（目标函数）详解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。