超分损失函数和RMSE、MSE、MAE、SD误差总结

本文主要是总结超分损失函数，文章内容主要摘自：博客园“江南烟雨尘”博主的 超分损失函数小结,自己做了部分修改。

学习过程中，发现这篇文章也不错，主要从深度学习各个板块细致讲述了算法、卷积方式、损失函数等模块：图像超分中的深度学习网络

误差总结参考 "敲代码的quant"博主的：RMSE（均方根误差）、MSE（均方误差）、MAE（平均绝对误差）、SD（标准差）

以下是自己整理的思维导图：

关于博客中说到了几个英文简写，下面稍作解释：

• 超分辨率（HR/SR）：
  其中采用信号处理等其他方法从多个可观察到的低分辨率（简称LR）图像得到高分辨率图像，被称为超分辨率（简称SR或者HR）图像复原或者简单地叫做分辨率增强。

• PSNR：
  PSNR 是“Peak Signal to Noise Ratio”的缩写，即峰值信噪比，是一种评价图像的客观标准，它具有局限性，一般是用于最大值信号和背景噪音之间的一个工程项目。
  PSNR 计算公式：
  

• MSE（Mean Square Error），MSE是真实值与预测值的差值的平方然后求和平均。通过平方的形式便于求导，所以常被用作线性回归的损失函数。
  

• RMSE（Root Mean Squared Error ，均方根误差（即MSE 开根号））。衡量观测值与真实值之间的偏差。常用来作为机器学习模型预测结果衡量的标准。
  

• MAE： Mean Absolute Error，平均绝对误差。是绝对误差的平均值。可以更好地反映预测值误差的实际情况。
  

• SD：Standard Deviation，标准差。方差的算术平均根。用于衡量一组数值的离散程度。