L1损失，也被称为最小绝对偏差（LAD），最小绝对误差（LAE）。 计算的是实际值与目标值之间绝对差值的总和。在有监督的图像超分辨率任务中，目标是使得生成的图像（SR）尽可能接近真实的高分辨率图像（HR），使用L1损失计算的则是SR和HR对应像素位置的值的误差。 使用L1损失的模型（有的模型使用了不止一种损失函数，此处罗列的为损失函数中包含L1损失的方法）：LapSRN、EDSR、RDN、CARN、ESRGAN、CARN、MSRN、RCAN、ESRGAN、SAN、SRFBN… … 最近几年越来越多的方法使用L1损失。

L2损失，也叫均方误差损失（MSE），计算的是实际值与目标值之间绝对差值的平方总和。 使用L2损失的模型：SRCNN、DRCN、FSRCNN、ESPCN、DRRN、SRResNet… 很多论文已经证明了使用L2损失函数会产生模糊的图像，所以好像最近用得不是很多。

SRResNet提出：MSE损失（下式）函数使重建结果有较高的PSNR，但是缺少了高频信息，出现过度平滑的纹理。感知损失是将真实图片卷积得到的feature与生成图片卷积得到的feature作比较，可以得到更多的图像细节。 感知损失的公式如下（使用VGG作为特征提取网络时）： 用φi,j()获取经VGG19网络内的第i个池化层之前的第j个卷积层进行特征提取后的结果。感知损失可以看作计算的是SR和HR特征图（feature map）之间的L2损失。

Charbonnier Loss是LapSRN使用的损失函数，LapSRN的结构如下图所示。 共有两个分支，特征提取分支用于计算残差图像，图像重建分支用于重建高分辨率图像（好像说了句废话）。 两个分支的输入都是低分辨率图像，在上面一个分支，通过对输入图像做卷积和转置卷积操作，可以得到放大后的预测残差图像，在下分支中，对低分辨率图像做上采样操作，再将得到的结果与预测的残差图像相加，就可得到该阶段的“高分辨率”图像，以此类推。通过级联学习，在不同阶段可以得到不同尺度的残差，得到对应的重构结果，继而得到最终结果。

Charbonnier Loss定义为：

其中， ρ ( x ) = x 2 + ϵ 2 ρ (x) = \sqrt{x^2 + \epsilon^2} ρ(x)=x2+ϵ2 ​， y s i y^ i_s ysi​表示网络在s阶段得到的输出图像， y ^ s i \hat y^ i_s y^​si​表示在该阶段的参考图像，由真实的HR图像下采样得到。 y s = x s + r s y_s = x_s + r_s ys​=xs​+rs​, r s r_s rs​为残差图像, x s x_s xs​为对LR做上采样后的图像。

暂时写到这里啦！ 之后读到别的方法会继续补充，欢迎一起讨论🤗