《表1 损失函数对比：生成对抗网络的单图像超分辨率重建方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《生成对抗网络的单图像超分辨率重建方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为保证生成器构建图像低频部分的正确性，引入了Charbonnier损失。如表1所示，现今基于卷积神经网络的SR方法大多以L2损失优化网络。L2损失可以直接优化PSNR值，但不可避免地会产生模糊的预测。由于L2损失未能捕捉到潜在的HR patch的多模式分布，即同样的LR patch可能有很多对应的HR patch，重构的图像往往过于平滑，无法接近人类对自然图像的视觉感知。与L1损失相比，L2损失虽可以更好地重建图像高频信息，却在普通区域留下伪影。而L1损失虽然能以更清晰的边缘重建为代价函数去除斑点和伪影，却花费更多的重建时间。相比之下，本文使用一个鲁棒的Charbonnier损失函数代替L2损失来优化深度网络处理异常值，提高重构精度，不仅训练时间更少，重建结果的PSNR值也更高。Charbonnier损失函数的数学表示如式（6）所示：