简介面向深度学习和图像修复方向的开发者与研究者这份资源整理了图像修复效果常用的定量评价指标涵盖L1 Error、PSNR、SSIM、FID 等核心指标的计算思路与Python实现可用于算法效果对比与模型调优。压缩包共37个文件以12个py脚本和24个pyc编译文件为主另附1份说明文档脚本按指标拆分Metrics、inception_score、psnr、ssim等模块便于直接调用或二次修改整体仅56KB轻量易用。目前已有1265人学习下载。通过运行这些代码能够快速获得修复图像与原始图像在像素误差、结构相似度、感知分布等方面的量化结果适合刚入门图像修复、需要搭建评价流程的读者作参考。 拿到“图像修复评价指标.zip”这份资源的时候我第一反应是这哥们儿终于想起把评价指标单独打包了。干图像修复这几年我最大的感受就是——模型结构可以玩出花但评价指标这关永远绕不过去。你训练了一个自认为很牛的修复网络跑完测试集面对电脑屏幕等着出数的那一刻PSNR、SSIM这些数值就是你的“判决书”。今天不聊模型结构专门把图像修复项目里评价指标的这点事儿彻底捋一遍从指标背后的数学原理到代码实现时容易踩的坑再到怎么把多个指标组合成一套多目标评价体系一次性讲透。适合刚入门图像修复、或者模型训完不知道怎么对比效果的读者以及那些想让自己的实验数据更可信的老手。1. 图像修复评价的整体思路与指标体系设计1.1 为什么评价指标直接决定了模型是否可用图像修复的任务很明确输入一张有损伤的图像比如划痕、噪点、遮挡、缺失区域输出一张恢复后的完整图像。网络训练得好不好不能光靠肉眼“看起来不错”因为人有视觉疲劳也有主观偏好。你说你的模型好审稿人凭什么信项目甲方凭什么验收这时候就需要一套客观、可量化、可复现的数值标准。我经常跟团队里的人说一句话评价指标不是锦上添花它是整个修复项目的“验收合同”。你选错了指标可能把一个真实效果很差的模型评价得很高你算错了口径可能在论文审稿时被直接质疑数据真实性。所以做图像修复的第一步不是搭网络而是先把“怎么评价”这件事定清楚。1.2 指标体系分类全参考、无参考与感知指标评价指标按照是否需要真实无噪图像Ground Truth参与可以分成三大类指标类型代表指标是否需要GT适用场景全参考指标PSNR、SSIM、MSE需要有标准答案的合成退化实验无参考指标BRISQUE、NIQE、PIQE不需要真实老照片修复、无GT场景感知指标LPIPS、FID、DISTS部分需要更贴近人眼主观感受的评估全参考指标最常用但也最容易被滥用无参考指标适合真实场景不过稳定性往往让人头疼感知指标是最近几年论文里的“新宠”它借助深度网络的特征空间来度量两幅图像的差异实验结果更贴近人眼判断。在实际项目里我一般建议至少报三个指标一个像素级指标PSNR或MSE、一个结构级指标SSIM、一个感知级指标LPIPS这样评审才挑不出毛病。2. 核心指标详解与计算公式拆解2.1 PSNR与MSE最经典但别迷信PSNR峰值信噪比是图像修复领域出现频率最高的指标。它的根基是MSE均方误差先算出修复图与真值图的逐像素误差平方均值再换算成对数域的峰值信噪比MSE (1 / (H × W)) × Σ(I_gt - I_restored)²PSNR 10 × log10(MAX_I² / MSE)其中MAX_I是图像像素的最大取值。8位图像取25516位医学图像取65535。这里有个非常常见的错误——很多人不管图像位深写代码时永远写255。你要是拿16位的DICOM图去算PSNR还用255结果会整体偏高好几个dB这数据报出去是要被人笑话的。我还想提醒一点PSNR对“平滑”结果天然友好。一张细节全部糊掉、但整体亮度接近原图的修复图PSNR往往不低。所以项目里如果只看PSNR模型会倾向输出保守、模糊的结果。这就是为什么我强调必须搭配SSIM和LPIPS一起看别让一个数字把你带偏。2.2 SSIM结构相似性到底在算什么SSIM结构相似性指数比PSNR高明的地方在于它不再逐像素对比而是分三个维度衡量两幅图像的相似度亮度、对比度、结构。SSIM的计算公式是三个分量的乘积SSIM [(2μ_x μ_y C1)(2σ_xy C2)] / [(μ_x² μ_y² C1)(σ_x² σ_y² C2)]μ是均值σ是方差σ_xy是协方差C1、C2是避免除零的稳定常数取值和像素动态范围有关。原论文里默认使用11×11的圆形对称高斯窗口逐块扫描而不是对整幅图算一个全局值最终取所有局部窗口的平均作为全图SSIM。理解这个计算过程的好处是你能明白为什么SSIM对局部结构敏感为什么它比PSNR更能反映人眼对“纹理保留程度”的感知。SSIM的取值范围在-1到1之间越接近1说明越相似。实操中0.95以上通常被认为修复效果已经相当好但也要看具体退化类型——大面积缺失区域修复后SSIM掉到0.85以下很常见这不代表模型失败可能是任务本身的难度决定的。2.3 LPIPS与感知指标让网络替人眼打分LPIPSLearned Perceptual Image Patch Similarity是近几年论文里提升实验说服力的“利器”。它的思路和PSNR完全不同先把图像送进一个预训练好的图像分类网络AlexNet、VGG或SqueezeNet然后在多个特征层取出激活图对特征图的差异做加权求和。一句话解释LPIPS度量的是“两张图在深度网络眼中的差距”网络前面几层关注边缘、纹理这类低级特征后面几层关注语义内容得到的整体距离就接近人的主观感受。在我的测试集上两个模型PSNR只差0.1dB时LPIPS可能差出0.02以上后者更真实地反映了肉眼可见的差异。注意LPIPS的值越小越好方向跟PSNR、SSIM相反。我用LPIPS踩过一个坑它依赖预训练网络的输入预处理如果图像不是RGB顺序、或者没有经过归一化计算结果直接崩。后面我会在常见问题里详细说。3. spacing参数与多目标评价的实现细节3.1 spacing计算方法像素间距如何影响指标结果很多做自然图像修复的人可能不关心spacing但只要你接触医学影像或遥感图像处理spacing像素间距就是绕不开的参数。所谓spacing指的是图像中单个像素代表的物理尺寸单位通常是毫米。CT的DICOM文件里这个信息存在ImageSpacing标签里。为什么评价指标受spacing影响因为PSNR、SSIM这类指标都是基于像素的而两幅物理尺寸相同、但spacing不同的图像像素数量就不同。修复网络如果对图像做了缩放比如把1mm spacing的图重采样成0.5mm spacing像素数变成原来的4倍这时候直接和原始真值算PSNR由于插值引入的高频变化结果会明显偏低。计算spacing最常用的方法是读DICOM头文件spacing_x ds.PixelSpacing[0]spacing_y ds.PixelSpacing[1]。如果做的是3D体数据还有层间距SliceThickness或SpacingBetweenSlices。关键操作是要保证修复前后的图像spacing一致——不一致就先把两者都重采样到某个统一的分辨率再去算指标。我在实际项目里遇到过一个案例一个医学图像修复模型在测试时PSNR比基线高2dB后来发现是因为模型输出的图像spacing和Ground Truth不同、分辨率更高部分性能提升其实是插值带来的假象。统一spacing重新评测后真实差距只有0.6dB。3.2 多目标评价指标的融合策略用单一指标评价修复效果就像用一个考试成绩评价学生能力总有偏差。所以现在做项目越来越多人使用多目标评价指标组合。但组合不是简单求平均——PSNR量纲是dBSSIM是0到1的无量纲值LPIPS又是另一个量级直接相加毫无意义。我常用的做法是归一化加权评分先在一组对比模型上分别算出各指标的最优值和最差值把每个模型的指标线性映射到0-100分区间再按权重求和。综合得分 w1 × Score(PSNR) w2 × Score(SSIM) w3 × Score(LPIPS)权重怎么定看项目需求。如果做医疗影像修复结构保留比亮度精确更重要SSIM权重拉高如果做摄影作品修复感知质量优先LPIPS权重拉高。权重本身最好也在论文或验收报告里说明避免被人质疑“调参凑指标”。还有一种更严谨的做法是画出指标对比表不做加权融合让读者自己判断各模型的优劣模型A强在PSNR、模型B强在SSIM这种“各有胜负”的呈现方式反而更诚实。4. 实操过程与核心指标代码实现4.1 Python实现PSNR与SSIM的完整细节官方库skimage提供了现成的PSNR和SSIM实现但我还是建议自己手动写一遍PSNR一方面加深理解另一方面方便你针对特殊项目做适配。这是我最常用的版本import numpy as np def calculate_psnr(img_gt, img_restored, max_val255.0): img_gt img_gt.astype(np.float64) img_restored img_restored.astype(np.float64) mse np.mean((img_gt - img_restored) ** 2) if mse 0: return float(inf) return 10 * np.log10(max_val ** 2 / mse)SSIM直接用skimage即可但几个关键参数要留意from skimage.metrics import structural_similarity as ssim score ssim(img_gt, img_restored, data_range255, win_size11, channel_axis-1)data_range必须和你图像的动态范围一致8位图填255float图填1.0填错会让SSIM整体偏移。channel_axis-1表示处理彩色图像时逐通道计算再取平均如果你不指定skimage会默认把RGB三通道当成一个多维数组去算结果完全不对。这个坑我踩过当时SSIM算出来0.99明显不符合直觉查了半天发现就是channel_axis参数没传。LPIPS需要安装lpips库并且联网下载预训练权重import lpips loss_fn lpips.LPIPS(netalex) dist loss_fn(img_gt_tensor, img_restored_tensor) # 输入为[-1,1]范围注意LPIPS要求输入图像范围是[-1,1]尺寸至少大于64×64输入之前一定要做归一化否则距离值会异常偏大。4.2 批量评估一条龙的脚本设计实际项目里不可能一张一张算指标我习惯写一个批处理脚本遍历整个测试集目录逐张读取修复图和真值图计算全部指标后输出到CSV最后汇总平均值。import os import cv2 import numpy as np import lpips from skimage.metrics import peak_signal_noise_ratio, structural_similarity import torchvision.transforms as transforms def batch_evaluate(gt_dir, restored_dir, output_csv): # 逐对读取图像 for fname in sorted(os.listdir(gt_dir)): gt_path os.path.join(gt_dir, fname) re_path os.path.join(restored_dir, fname) gt cv2.imread(gt_path) # BGR顺序 re cv2.imread(re_path) # 统一转为RGB统一尺寸 gt_rgb cv2.cvtColor(gt, cv2.COLOR_BGR2RGB) re_rgb cv2.cvtColor(re, cv2.COLOR_BGR2RGB) # 计算指标并写入CSV # ...这个脚本有三个核心设计要点一是文件命名必须严格对齐否则错位对比会让指标完全失真。二是用cv2读图得到的是BGR顺序转RGB前先算指标还是转后再算两种结果有细微差别论文里要说明清楚。三是一次性把PSNR、SSIM、LPIPS都算出来避免后期补实验还要重新跑一遍推理——训一个模型几个小时评价阶段能在脚本里节约的时间一点是一点。4.3 评价流程的标准化建议评价流程的标准化和指标计算同等重要。我自己在每个项目开始前会先固定三件事固定的测试集版本、固定的图像预处理流程、固定的指标计算环境。测试集版本管理用文件哈希校验防止有人偷偷换图预处理流程包括是否去边框、是否统一缩放、是否转灰度都写进一个配置文件环境锁定numpy、skimage、lpips的版本号因为不同版本之间SSIM的边界处理逻辑可能有细微变化版本变了数值就不可复现。这套标准化流程我还专门写了一个evaluate_config.yaml放进项目目录同事每个人跑出来都是同一个数。很多“修复效果不稳定”的投诉最后查出来都是评估口径不统一的问题而不是模型本身有问题。5. 常见问题与排查技巧实录5.1 高频问题速查表问题现象可能原因解决方案PSNR数值异常高50dB修复图和GT存在缩放或平移错位或图像位深用错检查对齐关系核对MAX_I取值SSIM接近1但不合理未传channel_axis参数RGB被当成单通道处理补上channel_axis-1LPIPS数值异常大输入未归一化到[-1,1]或图像尺寸过小检查预处理归一化后再计算不同机器上指标不一致库版本差异导致边界处理不同统一版本锁定环境指标计算结果与肉眼观感矛盾只看单一指标结合PSNR、SSIM、LPIPS多指标判断16位图像计算PSNR出错MAX_I仍填255改为655355.2 几个藏得比较深、容易被忽略的坑第一个坑图像边界效应。修复网络往往会带padding操作输出图像的边缘可能和中心区域的修复质量不一致。直接全图计算SSIM时边缘的异常值会拉低整体分数。我的做法是去掉边缘像素比如只对图像中心90%的区域计算指标这样得到的数据更能反映模型的核心修复能力。这个细节要不要在论文里写必须写否则审稿人复现时发现你的数值比他算出来的高会质疑数据真实性。第二个坑颜色空间混乱。Y通道计算PSNR和RGB三通道平均计算PSNR数值能差出几个dB。常规做法是在YCrCb空间的Y通道上计算PSNR和SSIM因为人眼对亮度更敏感这也是很多经典超分论文的通用口径。如果你用RGB全通道计算需要在方法部分明确说明不能混着用。第三个坑浮点图与整型图的动态范围。模型输出的图像可能是浮点型0到1或-1到1而在skimage计算指标时如果data_range填错等于把基准尺子标错了刻度。我有一次跑实验GT读进来是uint8格式模型输出被normalize到0-1再反归一化回0-255中间精度损失导致PSNR整体偏低0.3dB。这种问题并不影响模型对比的结论但会影响绝对值能不能和别人论文里的数据直接比较。第四个坑评价数据集的多样性。很多人习惯使用公开图像修复数据集比如CelebA、Places2、ImageNet的子集但每个数据集的退化类型、图像分布差异很大。PSNR在某一类数据集上0.5dB的提升换一个数据集可能完全消失。所以我认为最好的做法是至少准备两个退化和两个真实场景测试集一个看上限一个看泛化性。这也是为什么选型时第一步就应该把数据集和评价指标一并规划而不是模型训完再临时想测试方案。根据我的个人经验图像修复项目的评价体系搭建功夫往往花在指标计算之前——数据对齐、spacing统一、参数口径一致这些琐碎的事情做不好后面所有数字都不可信。每次踩完坑我都会把解决方案补进团队的评价规范文档里慢慢沉淀成一套相对完整的CHECKLIST。如果你手头也在做修复项目建议把文档里提到的几个坑都过一遍尤其注意位深、颜色通道和spacing这三处它们虽然不起眼却是最容易让评估数据翻车的地方。本文还有配套的精品资源点击获取 图像修复评价指标全解析：PSNR、SSIM、LPIPS与实战踩坑指南
简介面向深度学习和图像修复方向的开发者与研究者这份资源整理了图像修复效果常用的定量评价指标涵盖L1 Error、PSNR、SSIM、FID 等核心指标的计算思路与Python实现可用于算法效果对比与模型调优。压缩包共37个文件以12个py脚本和24个pyc编译文件为主另附1份说明文档脚本按指标拆分Metrics、inception_score、psnr、ssim等模块便于直接调用或二次修改整体仅56KB轻量易用。目前已有1265人学习下载。通过运行这些代码能够快速获得修复图像与原始图像在像素误差、结构相似度、感知分布等方面的量化结果适合刚入门图像修复、需要搭建评价流程的读者作参考。 拿到“图像修复评价指标.zip”这份资源的时候我第一反应是这哥们儿终于想起把评价指标单独打包了。干图像修复这几年我最大的感受就是——模型结构可以玩出花但评价指标这关永远绕不过去。你训练了一个自认为很牛的修复网络跑完测试集面对电脑屏幕等着出数的那一刻PSNR、SSIM这些数值就是你的“判决书”。今天不聊模型结构专门把图像修复项目里评价指标的这点事儿彻底捋一遍从指标背后的数学原理到代码实现时容易踩的坑再到怎么把多个指标组合成一套多目标评价体系一次性讲透。适合刚入门图像修复、或者模型训完不知道怎么对比效果的读者以及那些想让自己的实验数据更可信的老手。1. 图像修复评价的整体思路与指标体系设计1.1 为什么评价指标直接决定了模型是否可用图像修复的任务很明确输入一张有损伤的图像比如划痕、噪点、遮挡、缺失区域输出一张恢复后的完整图像。网络训练得好不好不能光靠肉眼“看起来不错”因为人有视觉疲劳也有主观偏好。你说你的模型好审稿人凭什么信项目甲方凭什么验收这时候就需要一套客观、可量化、可复现的数值标准。我经常跟团队里的人说一句话评价指标不是锦上添花它是整个修复项目的“验收合同”。你选错了指标可能把一个真实效果很差的模型评价得很高你算错了口径可能在论文审稿时被直接质疑数据真实性。所以做图像修复的第一步不是搭网络而是先把“怎么评价”这件事定清楚。1.2 指标体系分类全参考、无参考与感知指标评价指标按照是否需要真实无噪图像Ground Truth参与可以分成三大类指标类型代表指标是否需要GT适用场景全参考指标PSNR、SSIM、MSE需要有标准答案的合成退化实验无参考指标BRISQUE、NIQE、PIQE不需要真实老照片修复、无GT场景感知指标LPIPS、FID、DISTS部分需要更贴近人眼主观感受的评估全参考指标最常用但也最容易被滥用无参考指标适合真实场景不过稳定性往往让人头疼感知指标是最近几年论文里的“新宠”它借助深度网络的特征空间来度量两幅图像的差异实验结果更贴近人眼判断。在实际项目里我一般建议至少报三个指标一个像素级指标PSNR或MSE、一个结构级指标SSIM、一个感知级指标LPIPS这样评审才挑不出毛病。2. 核心指标详解与计算公式拆解2.1 PSNR与MSE最经典但别迷信PSNR峰值信噪比是图像修复领域出现频率最高的指标。它的根基是MSE均方误差先算出修复图与真值图的逐像素误差平方均值再换算成对数域的峰值信噪比MSE (1 / (H × W)) × Σ(I_gt - I_restored)²PSNR 10 × log10(MAX_I² / MSE)其中MAX_I是图像像素的最大取值。8位图像取25516位医学图像取65535。这里有个非常常见的错误——很多人不管图像位深写代码时永远写255。你要是拿16位的DICOM图去算PSNR还用255结果会整体偏高好几个dB这数据报出去是要被人笑话的。我还想提醒一点PSNR对“平滑”结果天然友好。一张细节全部糊掉、但整体亮度接近原图的修复图PSNR往往不低。所以项目里如果只看PSNR模型会倾向输出保守、模糊的结果。这就是为什么我强调必须搭配SSIM和LPIPS一起看别让一个数字把你带偏。2.2 SSIM结构相似性到底在算什么SSIM结构相似性指数比PSNR高明的地方在于它不再逐像素对比而是分三个维度衡量两幅图像的相似度亮度、对比度、结构。SSIM的计算公式是三个分量的乘积SSIM [(2μ_x μ_y C1)(2σ_xy C2)] / [(μ_x² μ_y² C1)(σ_x² σ_y² C2)]μ是均值σ是方差σ_xy是协方差C1、C2是避免除零的稳定常数取值和像素动态范围有关。原论文里默认使用11×11的圆形对称高斯窗口逐块扫描而不是对整幅图算一个全局值最终取所有局部窗口的平均作为全图SSIM。理解这个计算过程的好处是你能明白为什么SSIM对局部结构敏感为什么它比PSNR更能反映人眼对“纹理保留程度”的感知。SSIM的取值范围在-1到1之间越接近1说明越相似。实操中0.95以上通常被认为修复效果已经相当好但也要看具体退化类型——大面积缺失区域修复后SSIM掉到0.85以下很常见这不代表模型失败可能是任务本身的难度决定的。2.3 LPIPS与感知指标让网络替人眼打分LPIPSLearned Perceptual Image Patch Similarity是近几年论文里提升实验说服力的“利器”。它的思路和PSNR完全不同先把图像送进一个预训练好的图像分类网络AlexNet、VGG或SqueezeNet然后在多个特征层取出激活图对特征图的差异做加权求和。一句话解释LPIPS度量的是“两张图在深度网络眼中的差距”网络前面几层关注边缘、纹理这类低级特征后面几层关注语义内容得到的整体距离就接近人的主观感受。在我的测试集上两个模型PSNR只差0.1dB时LPIPS可能差出0.02以上后者更真实地反映了肉眼可见的差异。注意LPIPS的值越小越好方向跟PSNR、SSIM相反。我用LPIPS踩过一个坑它依赖预训练网络的输入预处理如果图像不是RGB顺序、或者没有经过归一化计算结果直接崩。后面我会在常见问题里详细说。3. spacing参数与多目标评价的实现细节3.1 spacing计算方法像素间距如何影响指标结果很多做自然图像修复的人可能不关心spacing但只要你接触医学影像或遥感图像处理spacing像素间距就是绕不开的参数。所谓spacing指的是图像中单个像素代表的物理尺寸单位通常是毫米。CT的DICOM文件里这个信息存在ImageSpacing标签里。为什么评价指标受spacing影响因为PSNR、SSIM这类指标都是基于像素的而两幅物理尺寸相同、但spacing不同的图像像素数量就不同。修复网络如果对图像做了缩放比如把1mm spacing的图重采样成0.5mm spacing像素数变成原来的4倍这时候直接和原始真值算PSNR由于插值引入的高频变化结果会明显偏低。计算spacing最常用的方法是读DICOM头文件spacing_x ds.PixelSpacing[0]spacing_y ds.PixelSpacing[1]。如果做的是3D体数据还有层间距SliceThickness或SpacingBetweenSlices。关键操作是要保证修复前后的图像spacing一致——不一致就先把两者都重采样到某个统一的分辨率再去算指标。我在实际项目里遇到过一个案例一个医学图像修复模型在测试时PSNR比基线高2dB后来发现是因为模型输出的图像spacing和Ground Truth不同、分辨率更高部分性能提升其实是插值带来的假象。统一spacing重新评测后真实差距只有0.6dB。3.2 多目标评价指标的融合策略用单一指标评价修复效果就像用一个考试成绩评价学生能力总有偏差。所以现在做项目越来越多人使用多目标评价指标组合。但组合不是简单求平均——PSNR量纲是dBSSIM是0到1的无量纲值LPIPS又是另一个量级直接相加毫无意义。我常用的做法是归一化加权评分先在一组对比模型上分别算出各指标的最优值和最差值把每个模型的指标线性映射到0-100分区间再按权重求和。综合得分 w1 × Score(PSNR) w2 × Score(SSIM) w3 × Score(LPIPS)权重怎么定看项目需求。如果做医疗影像修复结构保留比亮度精确更重要SSIM权重拉高如果做摄影作品修复感知质量优先LPIPS权重拉高。权重本身最好也在论文或验收报告里说明避免被人质疑“调参凑指标”。还有一种更严谨的做法是画出指标对比表不做加权融合让读者自己判断各模型的优劣模型A强在PSNR、模型B强在SSIM这种“各有胜负”的呈现方式反而更诚实。4. 实操过程与核心指标代码实现4.1 Python实现PSNR与SSIM的完整细节官方库skimage提供了现成的PSNR和SSIM实现但我还是建议自己手动写一遍PSNR一方面加深理解另一方面方便你针对特殊项目做适配。这是我最常用的版本import numpy as np def calculate_psnr(img_gt, img_restored, max_val255.0): img_gt img_gt.astype(np.float64) img_restored img_restored.astype(np.float64) mse np.mean((img_gt - img_restored) ** 2) if mse 0: return float(inf) return 10 * np.log10(max_val ** 2 / mse)SSIM直接用skimage即可但几个关键参数要留意from skimage.metrics import structural_similarity as ssim score ssim(img_gt, img_restored, data_range255, win_size11, channel_axis-1)data_range必须和你图像的动态范围一致8位图填255float图填1.0填错会让SSIM整体偏移。channel_axis-1表示处理彩色图像时逐通道计算再取平均如果你不指定skimage会默认把RGB三通道当成一个多维数组去算结果完全不对。这个坑我踩过当时SSIM算出来0.99明显不符合直觉查了半天发现就是channel_axis参数没传。LPIPS需要安装lpips库并且联网下载预训练权重import lpips loss_fn lpips.LPIPS(netalex) dist loss_fn(img_gt_tensor, img_restored_tensor) # 输入为[-1,1]范围注意LPIPS要求输入图像范围是[-1,1]尺寸至少大于64×64输入之前一定要做归一化否则距离值会异常偏大。4.2 批量评估一条龙的脚本设计实际项目里不可能一张一张算指标我习惯写一个批处理脚本遍历整个测试集目录逐张读取修复图和真值图计算全部指标后输出到CSV最后汇总平均值。import os import cv2 import numpy as np import lpips from skimage.metrics import peak_signal_noise_ratio, structural_similarity import torchvision.transforms as transforms def batch_evaluate(gt_dir, restored_dir, output_csv): # 逐对读取图像 for fname in sorted(os.listdir(gt_dir)): gt_path os.path.join(gt_dir, fname) re_path os.path.join(restored_dir, fname) gt cv2.imread(gt_path) # BGR顺序 re cv2.imread(re_path) # 统一转为RGB统一尺寸 gt_rgb cv2.cvtColor(gt, cv2.COLOR_BGR2RGB) re_rgb cv2.cvtColor(re, cv2.COLOR_BGR2RGB) # 计算指标并写入CSV # ...这个脚本有三个核心设计要点一是文件命名必须严格对齐否则错位对比会让指标完全失真。二是用cv2读图得到的是BGR顺序转RGB前先算指标还是转后再算两种结果有细微差别论文里要说明清楚。三是一次性把PSNR、SSIM、LPIPS都算出来避免后期补实验还要重新跑一遍推理——训一个模型几个小时评价阶段能在脚本里节约的时间一点是一点。4.3 评价流程的标准化建议评价流程的标准化和指标计算同等重要。我自己在每个项目开始前会先固定三件事固定的测试集版本、固定的图像预处理流程、固定的指标计算环境。测试集版本管理用文件哈希校验防止有人偷偷换图预处理流程包括是否去边框、是否统一缩放、是否转灰度都写进一个配置文件环境锁定numpy、skimage、lpips的版本号因为不同版本之间SSIM的边界处理逻辑可能有细微变化版本变了数值就不可复现。这套标准化流程我还专门写了一个evaluate_config.yaml放进项目目录同事每个人跑出来都是同一个数。很多“修复效果不稳定”的投诉最后查出来都是评估口径不统一的问题而不是模型本身有问题。5. 常见问题与排查技巧实录5.1 高频问题速查表问题现象可能原因解决方案PSNR数值异常高50dB修复图和GT存在缩放或平移错位或图像位深用错检查对齐关系核对MAX_I取值SSIM接近1但不合理未传channel_axis参数RGB被当成单通道处理补上channel_axis-1LPIPS数值异常大输入未归一化到[-1,1]或图像尺寸过小检查预处理归一化后再计算不同机器上指标不一致库版本差异导致边界处理不同统一版本锁定环境指标计算结果与肉眼观感矛盾只看单一指标结合PSNR、SSIM、LPIPS多指标判断16位图像计算PSNR出错MAX_I仍填255改为655355.2 几个藏得比较深、容易被忽略的坑第一个坑图像边界效应。修复网络往往会带padding操作输出图像的边缘可能和中心区域的修复质量不一致。直接全图计算SSIM时边缘的异常值会拉低整体分数。我的做法是去掉边缘像素比如只对图像中心90%的区域计算指标这样得到的数据更能反映模型的核心修复能力。这个细节要不要在论文里写必须写否则审稿人复现时发现你的数值比他算出来的高会质疑数据真实性。第二个坑颜色空间混乱。Y通道计算PSNR和RGB三通道平均计算PSNR数值能差出几个dB。常规做法是在YCrCb空间的Y通道上计算PSNR和SSIM因为人眼对亮度更敏感这也是很多经典超分论文的通用口径。如果你用RGB全通道计算需要在方法部分明确说明不能混着用。第三个坑浮点图与整型图的动态范围。模型输出的图像可能是浮点型0到1或-1到1而在skimage计算指标时如果data_range填错等于把基准尺子标错了刻度。我有一次跑实验GT读进来是uint8格式模型输出被normalize到0-1再反归一化回0-255中间精度损失导致PSNR整体偏低0.3dB。这种问题并不影响模型对比的结论但会影响绝对值能不能和别人论文里的数据直接比较。第四个坑评价数据集的多样性。很多人习惯使用公开图像修复数据集比如CelebA、Places2、ImageNet的子集但每个数据集的退化类型、图像分布差异很大。PSNR在某一类数据集上0.5dB的提升换一个数据集可能完全消失。所以我认为最好的做法是至少准备两个退化和两个真实场景测试集一个看上限一个看泛化性。这也是为什么选型时第一步就应该把数据集和评价指标一并规划而不是模型训完再临时想测试方案。根据我的个人经验图像修复项目的评价体系搭建功夫往往花在指标计算之前——数据对齐、spacing统一、参数口径一致这些琐碎的事情做不好后面所有数字都不可信。每次踩完坑我都会把解决方案补进团队的评价规范文档里慢慢沉淀成一套相对完整的CHECKLIST。如果你手头也在做修复项目建议把文档里提到的几个坑都过一遍尤其注意位深、颜色通道和spacing这三处它们虽然不起眼却是最容易让评估数据翻车的地方。本文还有配套的精品资源点击获取