L1 与 SSIM

在评估预测图像（Prediction）与目标图像（Ground Truth）之间的差距时，单一的损失函数往往是不够的。在此处，我们采用了 L1 Loss 和 SSIM Loss 的组合策略。根据论文设定，总损失函数表达为：

Loss = 0.8 \times L_{1} + 0.2 \times L_{SSIM}

为什么要这么组合？这得从它们各自的“性格”说起。

L1 计算的是像素到像素的绝对差异。它能很好地保证整体的亮度一致性，是最基础的保底指标。但它的缺点也很明显：为了追求整体误差最小，它倾向于把不确定的高频细节（比如精细的纹理、头发丝）进行“平均化”处理，导致画面边缘模糊。

为了弥补 L1 的不足，我们需要引入 SSIM。它不逐个死抠像素，而是模拟人类视觉系统的感知方式，将图像切分成一个个局部窗口，综合考量三个维度：

1. 亮度 (Luminance, l)：比较两个窗口的平均像素亮度（均值 \mu）。

2. 对比度 (Contrast, c)：比较两个窗口内像素的波动程度（方差 \sigma^2）。

3. 结构 (Structure, s)：比较两个窗口内像素分布的相似性（协方差 \sigma_{xy}）。

在 PyTorch 中，SSIM 本质上是一系列卷积操作。为了计算局部的均值和方差，底层会利用一个 1D 或 2D 的高斯核（Gaussian Kernel）在图像上滑动。这也是为什么 SSIM 的计算开销远大于 L1。

PSNR (峰值信噪比)

如果说 SSIM 是看重构图和光影的艺术评委，那么 PSNR 就是一个手里拿着游标卡尺、极其严谨的理工男。虽然我们在训练时不用它做 Loss，但它是评估模型最终效果不可或缺的客观指标。

PSNR 衡量的是“图像中有用信号的峰值强度”与“误差（噪声）强度”之间的比值。比值越大，说明图像失真越小。

一般来说，PSNR > 30 dB 就已经是高质量图像了；如果 > 40 dB，肉眼几乎无法分辨出与原图的区别。

代码实现

在实现方面，我们无需手写上述复杂的功能，直接站在巨人的肩膀上，利用 torchmetrics 库即可。

但这里有一个需要注意的地方。PyTorch 对图像数据有着严格的要求：必须是 (Batch_size, Channels, Height, Width)，简称 BCHW。而我们外部读取的图像是 HWC 格式。我们需要进行维度重排。