该代码只实现了高斯加权平均,没有实现普通平均,但后者也很少用到。 下面的 GIF 对比了 MSE loss 和 SSIM 的优化效果,最左侧为原始图片,中间和右边两个图用随机噪声初始化,然后分别用 MSE loss 和 -SSIM 作为损失函数,通过反向传播以及梯度下降法,优化噪声,最终重建输入图像。 对比SSIM 损失与 MSE 损失 从图中...
axes[1].title.set_text('0.9 dark mse:{:.2f}'.format(mse_dark)) axes[1].axis('off') axes[2].imshow(blur,'gray') axes[2].title.set_text('blur mse:{:.2f}'.format(mse_blur)) axes[2].axis('off') plt.show() print('MSE dark :{}'.format(mse_dark)) print('MSE blur :{...
axes[1].title.set_text('0.9 dark mse:{:.2f}'.format(mse_dark)) axes[1].axis('off') axes[2].imshow(blur,'gray') axes[2].title.set_text('blur mse:{:.2f}'.format(mse_blur)) axes[2].axis('off') plt.show() print('MSE dark :{}'.format(mse_dark)) print('MSE blur :{...