当使用Keras/Tensorflow 2使用UNET架构时，图像重建的损失函数应该是什么？

我正在为一项任务构建和测试一种新的图像重建方法。我用了类似的东西。但不是比较黑、白、灰三类像素；我想重建完整的图像，因为它是这样，我的模型可以学到一些东西。我使用数据生成器生成黑白图像，如下所示：

train = gen.flow_from_directory(dir,color_mode='grayscale',class_mode='input',batch_size=batch_size,target_size=(w,h),seed=SEED,subset='training')

我使用代码的最后两行作为：

outputs = layers.Conv2D(1, 1, activation = 'sigmoid')(x) # Last Layer is 1x1 Conv 
# Sigmoid will give 0-1 values per pixel and we'll calculate RMSE
model = Model(inputs, outputs)
model.compile(optimizer='adam',loss='mse',metrics=[keras.metrics.RootMeanSquaredError()])

对于不同的模型方法，我尝试了，

RMSE

，并将

r_平方

作为一个度量：

def rmse(y_true, y_pred):
        return K.sqrt(K.mean(K.square(y_pred - y_true)))


def r_squared(y_true, y_pred):
    SS_res =  K.sum(K.square( y_true-y_pred ))
    SS_tot = K.sum(K.square( y_true - K.mean(y_true) ) )
    return ( 1 - SS_res/(SS_tot + K.epsilon()) )

model =model.compile('adam',loss=rmse, metrics=[r_squared])

---

我想知道Keras或Tensorflow对于此类问题是否给出了任何其他度量和/或损失。我正在使用

灰度

图像，试图迫使潜在空间了解图像的一些有意义的信息。

据我所知，您正在执行一项自动编码任务，试图压缩然后重建输入

根据我的经验，使用的损失通常是以下两种情况之一：

• MSE

  的优点是，模型的最佳解决方案是预测潜在值的平均值。例如，如果模型认为某个像素的值为0，概率为0.3，1的概率为0.7，那么模型的最佳解决方案是预测

  0.7=0.3*0+0.7*1

• MAE

  ，平均绝对误差，也称为L1。

  MAE

  的优点是，模型的最佳解决方案是预测中值。在先例中，中位数为1。有时

  MEA

  比

  MSE

  产生更好的示例

一个更极端的例子，如果你正在驾驶一辆自驾车车，而汽车必须决定向左或向右行驶，<代码> MSE 将进入中间，而<代码> MAE<代码>将选择一方。

您可以通过以下方式计算

MAE

：

mae = tf.reduce_mean(tf.abs(prediction - taget))

---

RMSE

应产生与

MSE

类似的结果。平方根可能不是很有用。

这似乎是正确的，因为自动编码器上的Tensorflow使用

“mae”

和

“mse”