117、客观指标深度解析：PSNR、SSIM、VIF、LPIPS与NIQE

117、客观指标深度解析：PSNR、SSIM、VIF、LPIPS与NIQE

去年在调试某款旗舰手机的超分算法时，产线QA报了一个诡异的问题：算法跑出来的PSNR比竞品高了0.8dB，但盲测时用户一致认为竞品画面更“干净”。我盯着屏幕看了半小时，发现PSNR高的那张图边缘确实更锐，但背景的噪点被算法“优化”成了类似油画笔触的纹理——人眼对这种伪影极其敏感，但PSNR根本不管这些。从那以后，我养成了一个习惯：任何影像算法上线前，至少用三个不同维度的指标交叉验证，绝不信单一数字。

PSNR：最老实的“像素级差役”

PSNR（峰值信噪比）是影像领域最基础的指标，没有之一。它的计算逻辑极其简单：逐像素比较两幅图的差异，然后取对数。公式我就不抄了，核心就是MSE（均方误差）的变形。但正因为简单，它有个致命缺陷——完全不考虑人眼感知。

举个真实踩坑的例子。某次做夜景降噪，我们用了BM3D算法，PSNR比双边滤波高了1.2dB。但把两张图并排放大看，BM3D处理后的天空区域出现了微弱的“块状感”，而双边滤波虽然保留了更多噪点，但视觉上更自然。PSNR在这里完全失效，因为它只关心像素值的数值差异，不关心这些差异在空间上如何分布。

实际使用建议：PSNR适合做回归测试的“守门员”，比如验证编解码器有没有引入比特翻转错误。但在感知质量评估中，它只能作为参考，千万别当决策依据。我一般在产线测试中设一个PSNR的“红线阈值”（比如低于35dB直接打回），但高于阈值后就不再纠结具