《表1 不同损失函数的性能对比》

  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

《基于注意力机制和卷积神经网络的低照度图像增强》

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

不同的损失函数会给模型的性能带来不同的影响，好的损失函数会使增强后的图像更加接近原始图像。为了比较不同损失函数的增强性能，本文从定性和定量的角度对LMSE、LSSIM和Ltotal三种损失函数进行实验，从LIVE1数据集中挑选了5张图片进行实验，实验结果如表1所示，其中最后一行表示平均值±标准差（SD）。总体而言，Ltotal损失函数结合了LMSE和LSSIM损失函数的优势，得到的PSNR和SSIM的平均值都优于LMSE和LSSIM损失函数。其中，采用LMSE、LSSIM、Ltotal得到的PSNR平均值分别为24.5200±1.3800、23.2200±2.0900和26.4500±0.5700，SSIM平均值分别为0.8180±0.0550、0.8600±0.0410和0.8660±0.0450。由于MSE求的是两张图片之间的像素值的差，所以在峰值信噪比指标上，采用LMSE得到的值比LSSIM高一些；而SSIM求的是两张图片之间的结构差异性，所以在结构相似性指标上，采用LSSIM得到的值要比LMSE大一些。此外，从SSIM指标可以看出，采用LSSIM和Ltotal得到的值比较接近，说明采用Ltotal时SSIM值占了主要部分。综合考虑，本文选用Ltotal损失函数。