从PSNR到LPIPS：图像质量评估指标演进与实战选型指南

1. 图像质量评估的江湖变迁：为什么我们需要这么多指标？

第一次接触图像质量评估时，我也被各种缩写搞晕过。PSNR、SSIM、LPIPS...这些指标就像武侠小说里的不同门派，各有各的绝活。在实际项目中，我发现选错评估指标就像用错武器——明明模型效果不错，指标却显示很差；或者反过来，指标很好看但实际观感一塌糊涂。

最经典的例子是超分辨率任务。早期我用PSNR优化模型，数值确实上去了，但生成的图像总有种"塑料感"。后来改用SSIM，纹理细节好了不少，但某些区域会出现不自然的平滑。直到接触LPIPS，才真正解决"指标好看但实际效果差"的困境。这让我意识到：不同时代的指标，反映的是人们对图像质量认知的进化。

2. 老牌劲旅PSNR：简单粗暴的物理信使

2.1 PSNR的工作原理

PSNR（峰值信噪比）的计算公式看似简单：

python复制import numpy as np

def psnr(original, compressed):
    mse = np.mean((original - compressed) ** 2)
    return 10 * np.log10(255**2 / mse)

这个基于均方误差（MSE）的指标，本质上测量的是信号最大可能功率与噪声功率的比值。就像用分贝值衡量音响效果，PSNR用对数尺度将差异转换为更符合人类感知的数值。

2.2 实战中的PSNR表现

在我的超分辨率项目日志里记录着这些典型值：

• 30dB：勉强可用的手机拍照效果
• 35dB：专业相机直出JPEG
• 40dB：经过专业处理的商业图片
• 45dB+：几乎无法察觉差异

但PSNR有个致命缺陷——有次我把所有像素值随机偏移+5，PSNR只下降了2dB，但图像明显泛白；而当我加入少量高频噪声时，PSNR暴跌但肉眼几乎看不出变化。这说明PSNR对误差的分布完全不敏感。

3. SSIM：引入人眼特性的结构大师

3.1 超越像素对比的维度

SSIM的创新在于模拟了人眼的三个特性：

1. 亮度感知（luminance）
2. 对比度敏感度（contrast）
3. 结构信息偏好（structure）

它的计算流程就像图像处理流水线：

python复制from skimage.m