图像处理应用

基于深度学习的图像去噪任务

模型

去噪任务

损失函数

常见的损失函数：

特性	MSE（均方误差）	MAE（平均绝对误差）	Charbonnier 损失（MSE的近似平滑）
公式	$L(x,y)=(x-y{)}^2$	$L(x,y)=|x-y|$	$L(x,y)=\sqrt{(x-y{)}^2+{ϵ}^2}$
核心行为​	二次增长	线性增长	小误差二次，大误差线性
对异常值/大误差​	极度敏感 (惩罚重)	鲁棒 (惩罚轻)	鲁棒 (惩罚轻)
图像细节保留​	差 (导致模糊)	好 (边缘锐利)	好 (边缘锐利)
收敛稳定性​	好 (接近0时梯度小)	一般 (梯度恒定)	好 (接近0时平滑)
可导性​	处处可导	0点不可导	处处可导
最擅长任务​	一般回归、高斯噪声拟合	含噪数据回归、图像超分	图像去噪、去模糊

训练策略