關於全參考比較詳細的內容鏈接：https://zhuanlan.zhihu.com/p/24804170
目前針對有真實參考的圖像生成任務，主要有三種評價指標，包括兩種簡單的人為設計的SSIM和PSNR，也包括深度學習網絡抽取到的特征進行對比的LPIPS評價指標（這篇筆記中還寫到了MSSIS）
一、結構相似性指數（structural similarity index，SSIM）
SSIM是一個廣泛使用的圖像質量評價指標，它是基於人眼觀看圖像時會提取其中的結構化信息的假設。
結構相似性指數（structural similarity index，SSIM）是一種用於量化兩幅圖像間的結構相似性的指標。與L2損失函數不同，SSIM仿照人類的視覺系統（Human Visual System,HVS）實現了結構相似性的有關理論，對圖像的局部結構變化的感知敏感。SSIM從亮度、對比度以及結構量化圖像的屬性，用均值估計亮度，方差估計對比度，協方差估計結構相似程度。SSIM值的范圍為0至1，越大代表圖像越相似。如果兩張圖片完全一樣時，SSIM值為1。
SSIM是一種全參考的評價方法，對於圖像x和圖像y，其SSIM計算方式如下：
二、MSSIM
上面介紹的單尺度SSIM需要在特定的配置下才能表現良好，而MSSIM對不同分辨率的圖像都能保持性能穩定。
三、PSNR 峰值信噪比
峰值信噪比(Peak Signal to Noise Ratio, PSNR)是一種評價圖像質量的度量標准。因為PSNR值具有局限性，所以它只是衡量最大值信號和背景噪音之間的圖像質量參考值。PSNR的單位為dB，其值越大，圖像失真越少。一般來說，PSNR高於40dB說明圖像質量幾乎與原圖一樣好；在30-40dB之間通常表示圖像質量的失真損失在可接受范圍內；在20-30dB之間說明圖像質量比較差；PSNR低於20dB說明圖像失真嚴重。
給定一個大小為m×n的灰度圖 I 和噪聲圖 K，均方誤差(MSE, Mean Square Error)公式如下：
四、學習感知圖像塊相似度(Learned Perceptual Image Patch Similarity, LPIPS)
學習感知圖像塊相似度(Learned Perceptual Image Patch Similarity, LPIPS)也稱為“感知損失”(perceptual loss)，用於度量兩張圖像之間的差別。來源於CVPR2018的一篇論文《The Unreasonable Effectiveness of Deep Features as a Perceptual Metric》，該度量標准學習生成圖像到Ground Truth的反向映射強制生成器學習從假圖像中重構真實圖像的反向映射，並優先處理它們之間的感知相似度。LPIPS 比傳統方法（比如L2/PSNR, SSIM, FSIM）更符合人類的感知情況。LPIPS的值越低表示兩張圖像越相似，反之，則差異越大。
https://zhuanlan.zhihu.com/p/309892873