def loss_function(recon_x, x):
msssim = ((1-pytorch_msssim.msssim(x,recon_x)))/2
f1 = F.l1_loss(recon_x, x)
# psnr_error=(10 * log10( 65025/ ((torch.abs(torch.sum(x) - torch.sum(recon_batch))))))
psnr_error=(10 * log10( 65025/ ((torch.abs(torch.sum(x) - torch.sum(recon_x))))))
return msssim, f1, psnr_error
def avg_msssim(real_images, fake_images):
avg = 0.0
# for real_image,fake_image in zip(real_images,fake_images):
avg = pytorch_msssim.msssim(
Variable(real_images).cuda(),
Variable(fake_images).cuda())
return avg
def mix_loss(recon_x, x, mu, logsigma, alpha):
NORM = recon_x.shape[0] * recon_x.shape[1] * recon_x.shape[
2] * recon_x.shape[3]
KLD = -0.5 * torch.sum(1 + 2 * logsigma - mu.pow(2) - (2 * logsigma).exp())
BCE = F.mse_loss(recon_x, x, reduction='mean')
msssim_loss = 1.0 - msssim(recon_x, x)
loss = (KLD / NORM + BCE) * alpha + (1 - alpha) * msssim_loss
return loss, (KLD / NORM +
BCE).item() * alpha, (1 - alpha) * msssim_loss.item()
def recons_loss(recon_x, x):
# msssim 多尺度结构相似损失函数：基于多层（图片按照一定规则，由大到小缩放）的SSIM损失函数，相当于考虑了分辨率
msssim = ((1 - pytorch_msssim.msssim(x, recon_x))) / 2 #一种优化过的ssim算法
#ssim = ((1-pytorch_msssim.ssim(x,recon_x)))/2
#作者结合神经科学的研究，认为我们人类衡量两幅图的距离时，
# 更偏重于两图的结构相似性，而不是逐像素计算两图的差异。因此作者提出了基于 structural similarity 的度量，声称其比 MSE 更能反映人类视觉系统对两幅图相似性的判断。
f1 = F.l1_loss(recon_x, x) #l1损失：基于逐像素比较差异，然后取绝对值 l2损失：逐像素比较差异 取平方
#L2损失函数会放大最大误差和最小误差之间的差距（比如2*2 和0.1*0.1），另外L2损失函数对异常点也比较敏感
#论文证明 MS-SSIM+L1损失函数是最好的
#作者这样组合的原因是，MS-SSIM容易导致亮度的改变和颜色的偏差，但它能保留高频信息（图像的边缘和细节），
# 而L1损失函数能较好的保持亮度和颜色不变化。公式中α为0.84，是作者试验出来的，而G为高斯分布参数（MS-SSIM里面也要用到这个） Lmix = α*Lmsssim + (1-α)*G*L1 G是高斯分布函数
return f1 + msssim
def ms_ssim_loss(recon_x, x, _, __):
loss = 1 - msssim(recon_x, x, normalize=True)
return loss, 0.0, loss.item()