PSNR 涨了 0.5dB,图却更糊了?我拿代码把三大画质指标按在地上对比了一遍

简介: PSNR 涨了 0.5dB,图却更糊了?我拿代码把三大画质指标按在地上对比了一遍

PSNR 涨了 0.5dB,图却更糊了?我拿代码把三大画质指标按在地上对比了一遍

大家好,我是 Echo_Wish。

先说个我踩过的坑。去年调一个超分模型,改完损失函数,PSNR 涨了 0.5dB,我美滋滋地拿去汇报。同事把输出图放大一看,说:"这不是糊了吗?" 我不信,把两张图并排放着看,真糊了,纹理全被抹平,像给照片打了层磨皮。

那一刻我才明白:指标是用来辅助判断的,不是用来代替眼睛的。 今天我们不讲公式推导,直接撸代码,看看 PSNR、SSIM、LPIPS 这三个最常用的指标,到底在什么地方靠谱,什么地方会骗你。

一、先搭个"实验场":同一张图,五种破坏法

思路很简单:拿一张清晰原图,用不同方式"毁"它,再看每个指标怎么打分。

import numpy as np, cv2
np.random.seed(0)

img = cv2.cvtColor(cv2.imread("test.png"), cv2.COLOR_BGR2RGB)

def noise(x, sigma=25):
    return np.clip(x + np.random.normal(0, sigma, x.shape), 0, 255).astype(np.uint8)

def blur(x, k=9):
    return cv2.GaussianBlur(x, (k, k), 0)

def jpeg(x, q=10):
    ok, enc = cv2.imencode(".jpg", cv2.cvtColor(x, cv2.COLOR_RGB2BGR),
                           [cv2.IMWRITE_JPEG_QUALITY, q])
    return cv2.cvtColor(cv2.imdecode(enc, 1), cv2.COLOR_BGR2RGB)

def shift(x, px=2):
    return np.roll(x, px, axis=1)          # 整体平移 2 像素

def brighten(x, d=25):
    return np.clip(x.astype(int) + d, 0, 255).astype(np.uint8)

distortions = {
   
    "高斯噪声": noise(img),
    "高斯模糊": blur(img),
    "JPEG压缩": jpeg(img),
    "平移2px": shift(img),
    "整体提亮": brighten(img),
}

我特意埋了个彩蛋:噪声 sigma=25 和 提亮 +25,两者的均方误差几乎一样,约等于 625。PSNR 公式是 10·log10(255²/MSE),算下来都在 20dB 上下。

一个是满屏雪花点,一个只是图亮了一点点,人眼感受天差地别,但 PSNR 打出来几乎一样。这就是 PSNR 的软肋:它只会逐像素算差,不懂"人看着舒不舒服"。

二、三个指标一起上

import torch, lpips
from skimage.metrics import peak_signal_noise_ratio as psnr
from skimage.metrics import structural_similarity as ssim

loss_fn = lpips.LPIPS(net="alex")

def to_tensor(x):
    return torch.from_numpy(x).permute(2, 0, 1).float().unsqueeze(0) / 127.5 - 1

def evaluate(ref, dist):
    p = psnr(ref, dist, data_range=255)
    s = ssim(ref, dist, channel_axis=2, data_range=255)
    with torch.no_grad():
        l = loss_fn(to_tensor(ref), to_tensor(dist)).item()
    return p, s, l

results = {
   name: evaluate(img, d) for name, d in distortions.items()}
for k, (p, s, l) in results.items():
    print(f"{k:8s} PSNR={p:6.2f}  SSIM={s:.3f}  LPIPS={l:.3f}")

注意方向:PSNR 和 SSIM 是越高越好,LPIPS 是越低越好。很多新手第一次看到 LPIPS 数值小就以为是"分数低",其实反过来了,别搞混。

三、光看数字不过瘾,上可视化

import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei"]   # 中文显示

names = list(results.keys())
fig, axes = plt.subplots(2, 5, figsize=(18, 7))

for i, name in enumerate(names):
    axes[0, i].imshow(distortions[name]); axes[0, i].set_title(name); axes[0, i].axis("off")

    gray_a = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
    gray_b = cv2.cvtColor(distortions[name], cv2.COLOR_RGB2GRAY)
    _, smap = ssim(gray_a, gray_b, full=True, data_range=255)
    axes[1, i].imshow(smap, cmap="viridis", vmin=0, vmax=1)
    axes[1, i].set_title(f"SSIM图 {results[name][1]:.3f}"); axes[1, i].axis("off")

plt.tight_layout(); plt.savefig("ssim_maps.png", dpi=150)

# 三指标柱状图
fig, ax = plt.subplots(1, 3, figsize=(15, 4))
for j, (title, color) in enumerate([("PSNR ↑", "#4C72B0"), ("SSIM ↑", "#55A868"), ("LPIPS ↓", "#C44E52")]):
    ax[j].bar(names, [results[n][j] for n in names], color=color)
    ax[j].set_title(title); ax[j].tick_params(axis="x", rotation=30)
plt.tight_layout(); plt.savefig("metrics_bar.png", dpi=150)

SSIM 那张热力图我特别推荐。它不只给一个总分,还告诉你图的哪个位置坏了。模糊会让边缘和纹理区域整片变暗,噪声则是均匀地到处发黑。这比一个冷冰冰的 0.82 有用多了。

四、跑完你大概率会看到这些规律

具体数值跟你的测试图有关,但规律很稳定:

  1. 提亮:PSNR 低,SSIM 反而很高,LPIPS 很低。SSIM 对整体亮度偏移有一定容忍度,因为它更看重结构,这个判断比 PSNR 更贴近人眼。
  2. 平移 2px:肉眼几乎看不出区别,但在纹理丰富的图上,PSNR 和 SSIM 都会明显下滑,因为它们对像素对齐很敏感。LPIPS 基于深度特征,相对宽容一些。
  3. 模糊和 JPEG 压缩:PSNR 可能看着还行,LPIPS 会明显恶化。这正是我开头那个超分翻车案例的写照:PSNR 喜欢"平均化"的输出,细节被抹平反而不吃亏。
  4. 噪声 vs 提亮:PSNR 几乎打平,但 SSIM 和 LPIPS 能明显把两者拉开。

五、指标本身也得被"评价"

如果你想知道哪个指标更靠谱,专业做法是拿带人工打分(MOS)的数据集,比如 KADID-10k、TID2013,算指标和人类打分的相关性:

from scipy.stats import spearmanr, pearsonr

# metric_scores: 指标打的分;mos: 人工主观分
srcc = spearmanr(metric_scores, mos).correlation   # 排序是否一致
plcc = pearsonr(metric_scores, mos)[0]             # 线性相关程度
print(f"SRCC={srcc:.3f}, PLCC={plcc:.3f}")

SRCC 看的是"排序对不对",PLCC 看的是"数值贴不贴"。论文里常见的就是这两个。

六、聊点我自己的体会

跑完这套实验,我总结了三条"土办法":

第一,别迷信单一指标。 PSNR 便宜、快、可复现,适合当"体温计",监控训练别崩;但它不该是你的最终裁判。我现在的习惯是 PSNR + SSIM + LPIPS 三个一起报,再配几张放大对比图。

第二,指标选择要看任务。 做保真度重建,比如医学影像、压缩,PSNR 和 SSIM 更有参考意义。做追求观感的任务,比如超分、风格化、生成,LPIPS 这类感知指标更靠谱。顺带提醒一句,FID 衡量的是分布,不是单张图的质量,别拿它当 IQA 用。

第三,一定要看图。 我见过太多"指标漂亮、图很难看"的模型。再聪明的指标也只是人眼的近似替身,它会在某些场景失灵,而你不亲自看,永远不知道是哪一种。

最后说句掏心窝的话:指标是拿来帮你做判断的,不是拿来替你做判断的。 当你发现数字和直觉打架时,别急着相信数字,先问一句:它到底在测什么?想清楚这个,你就比大多数只会"刷点"的人高一个段位了。

我是 Echo_Wish,下期见。

目录
相关文章
|
6天前
|
Linux Go 开发工具
手机上跑 DeepSeek 智能体:开源安卓客户端 DSH Go 安装与使用指南
DSH Go 是一款开源安卓客户端,将 DeepSeek Harness 智能体引擎装进手机:免 Root、免 Termux,一键安装即用;支持本机运行(内置 Ubuntu+Node.js)或远程接管电脑会话;具备插话打断、过程折叠、屏幕操控、端到端加密分享等特色功能,真正实现智能体“口袋化”。
7028 17
|
6天前
|
弹性计算 人工智能 API
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
建议收藏本教程,2026 全年各版本更新随时回来查阅。如果你在搭建过程中遇到任何问题,欢迎结合 阿里云工单系统 提交技术支持请求,或在 阿里云开发者社区 搜索 Codex 相关话题交流。 祝你编码愉快,效率翻倍!
2315 10
|
8天前
|
人工智能 前端开发 API
阿里云Qwen4-Max 大模型详解:定位、特征、能力、适用场景与相对Qwen3-Max差异解析
2026年11月11日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问AI平台Token Plan并接入千问办公、Qoder等入口。该版本聚焦知识理解、世界感知、编程与Agentic四项升级,主打复杂编程、专业办公、前端设计与专业软件操作等真实任务。预览期为11月11日10:00至11月25日24:00,仅支持Token Plan调用,到期后模型标识下线;限时2折、新用户再享5折,最低1折可体验。
|
8天前
|
JSON 前端开发 API
阿里云最新Qwen4-Max大模型介绍:模型定位、特征、能力、适用场景解析
2026 年 11 月 11 日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问 AI 平台 Token Plan,并同步接入千问办公、Qoder 等入口。该版本聚焦知识理解、世界感知、编程与 Agentic 四项升级,主打复杂编程、专业办公、前端设计与专业软件操作。预览期至 11 月 25 日 24:00,到期后模型标识下线;限时 2 折、新用户再享 5 折,最低 1 折可体验。
|
4天前
|
传感器 安全 区块链
Windows 电脑运行安卓应用教程:开源工具 ApkStart 双击 APK 即装、独立窗口运行
ApkStart 是一款开源Windows工具,让安卓APP像原生软件一样运行:双击APK即安装、生成真实图标、独立窗口启动、开始菜单可搜索。无需传统模拟器,内置QEMU运行时,支持数据互通、ARM兼容与命令行操作。(239字)
|
21天前
|
Linux 开发工具 iOS开发
Codex保姆级教程(下载+安装+登录+使用,含所有版本,2026最新)
Codex是OpenAI推出的开源AI编程智能体,本地运行,可理解整个代码库,支持自然语言指令改代码、执行命令、跑测试、修Bug,兼容Win/macOS/Linux。(239字)
10200 59
|
4天前
|
人工智能 弹性计算 开发工具
零成本玩各大模型!DeepSeek Harness dsh-our-free-model 插件,13 个厂商模型直接用
总结一下:装这个插件,你不用注册、不用绑卡、不用填一个 Key,就能在 DeepSeek Harness 里用上 DeepSeek V4.1 Flash、Kimi K3 这一批前沿模型,而且是白嫖的、还不限量。三步搞定:下载插件,复制包含 `package.json` 的插件目录路径,在「添加插件」里粘贴路径安装并重启。无论是在阿里云 ECS 上通过命令行部署的 Web 版,还是本地的 Electron 桌面端,都能顺利跑通,快速搭建一套零成本的免费模型使用环境。
1055 1
|
7天前
|
Linux API iOS开发
【DSH】DeepSeek Harness新手保姆教程(下载+安装+配置+使用,2026最新实测)
DeepSeek Harness(dsh)是DeepSeek AI开源的智能体框架,秉持“一切皆插件”理念,支持读文件、改代码、跑命令、处理表格、联网搜索等操作。免费开源,兼容Windows/macOS/Linux,提供桌面端与网页端,可灵活安装插件扩展能力。
|
15天前
|
Linux 开发工具 iOS开发
2026最新codex下载安装保姆级使用教程(下载+安装+登录+使用,含所有历史版本)
本文详解OpenAI Codex国内快速上手指南:提供Win/macOS/Linux全平台免安装包、npm/Homebrew等多方式安装、账号/API Key双登录、简体中文切换,覆盖下载、安装、汉化、使用及高频避坑(如微软商店失败、npm超时等),10分钟即可跑通。
3492 9