117、从 PSNR 到 LPIPS：超分评价指标的全面解析与选择策略

117、从 PSNR 到 LPIPS：超分评价指标的全面解析与选择策略

上周调试一个视频超分模型，在公开测试集上PSNR刷到了38.2dB，比baseline高了0.5dB，心里美滋滋。结果把结果拿给产品经理看，对方直接一句：“这画面看着糊啊，跟原图比细节全没了。” 我盯着屏幕上的对比图，确实，PSNR高但纹理区域全是平滑的“油画感”。这种“指标漂亮、实际翻车”的坑，做超分的人十有八九都踩过。

今天就把这些年跟超分评价指标死磕的经验掰开揉碎，从最基础的PSNR讲到最近学术界爱用的LPIPS，顺便聊聊不同场景下到底该信哪个指标。

PSNR：最老牌也最容易被骂的指标

PSNR全称峰值信噪比，计算逻辑简单到令人发指：先算MSE（均方误差），然后取对数。公式不贴了，核心就是逐像素比较，像素值差得越小，PSNR越高。

这里踩过坑：PSNR对像素级的偏移极度敏感。哪怕你重建的图像跟原图只差一个像素的平移，PSNR都会暴跌。但人眼看这种平移根本无感。所以别指望PSNR能反映真实视觉质量。

实际调试中，PSNR更适合做“收敛监控”。我习惯在训练时每500个iteration打印一次PSNR，看曲线是否还在上升。如果PSNR连续几个epoch不涨，基本可以判断模型学不动了。但千万别拿PSNR作为最终选模型的唯一标准——那会选出“最平滑但最没细节”的模型。

别这样写：在论文里只报PSNR，不报其他指标。审稿人现在看到纯PSNR的论文，第一反应就是“这作者是