特征匹配损失（feature matching loss，LFM），区别于但相似于感知损失

目录

1.特征匹配损失

2. 感知损失

3.特征匹配损失英文

4.参考文献

---

1.特征匹配损失

        其中，中的k主要为了对高分辨率进行的多尺度进行判别，k=1,2,3表示为原图、2倍下采样、4倍下采样，（解决了为区分高分辨率图的真假，判别器需要更大的感受野，即需要更深的网络和更大的卷积核的问题）。T为总共的层数，Ni为每层的elements数。

        该损失【1】能够稳定训练。因为生成器必须在多个尺度上生成符合实际的统计数据。
从真假图像的不同尺度中提取特征，并进行“匹配”，使用的是L1 loss。

2. 感知损失

https://arxiv.org/pdf/1603.08155.pdf

解释：

参见此处

---

————————————————————————————————————

注：

————————————————————————————————————

3.特征匹配损失英文

4.参考文献

【1】High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs https://arxiv.org/pdf/1711.11585v1.pdf

【2】Perceptual Losses for Real-Time Style Transfer and Super-Resolution  https://arxiv.org/pdf/1603.08155.pdf

————————————————————————————————————