Pytorch图像去噪实战（十七）：混合损失函数图像去噪实战，解决MSE导致图像发糊的问题

Pytorch图像去噪实战（十七）：混合损失函数图像去噪实战，解决MSE导致图像发糊的问题

一、问题场景：loss很低，但图像看起来还是糊

做图像去噪时，我遇到过一个很反直觉的问题：

训练loss下降得很好，PSNR也不低，但输出图像看起来不够清晰。

尤其在文字、边缘、纹理区域，经常出现：

• 文字边缘发虚
• 头发纹理消失
• 布料纹理变平
• 图像有塑料感
• 看起来干净但不真实

最开始我以为是模型不够强，于是换了UNet、ResUNet、Attention UNet。
效果有提升，但问题仍然存在。

后来发现核心原因之一是：

损失函数设计太单一。

很多入门代码默认使用 MSELoss。
但 MSELoss 在图像恢复任务中很容易导致过度平滑。

二、为什么MSE会导致图像发糊？

MSE公式本质上对大误差惩罚更强。
在不确定区域，模型倾向输出平均值。

举个例子：

同一个位置可能是细纹理，也可能是噪点。
如果模型不确定，MSE会鼓励它输出一个平均结果。

这个平均结果在数值上可能不错，但视觉上就是：

糊。