3、自适应未来帧预测与降雨时空预测技术解析

自适应未来帧预测与降雨时空预测技术解析

1. 网络训练相关内容

在进行网络训练时，需要先引入图像质量度量。在基于网络的恢复中，像素域和梯度域的均方误差（MSE）、结构相似性（SSIM）以及感知相似性会用于损失函数。这里使用的图像质量度量 μ 由以下四个指标组成：
[
\mu(\hat{x}, x) = \rho_{MSEI}||\hat{x} - x|| 2^2 + \rho {MSED}||\nabla\hat{x} - \nabla x|| 2^2 + \rho {SSIM}(1 - SSIM(\hat{x}, x)) + \rho_{Per}||\Phi(\hat{x}) - \Phi(x)|| 1
]
其中，$x$ 是真实图像，$\hat{x}$ 是待评估图像，$\nabla$ 是向量微分算子，$|| \cdot ||_2$ 表示 $L_2$ 范数，$|| \cdot ||_1$ 表示 $L_1$ 范数，$SSIM$ 是评估结构相似性的函数，$\Phi(\cdot)$ 表示 AlexNet 的 Conv1 到 Conv5，${\rho {MSEI}, \rho_{MSED}, \rho_{SSIM}, \rho_{Per}}$ 是一组超参数。在不同实验部分会设置不同的超参数值。

预训练预测网络采用离线监督方式提前训练。其损失函数会评估内部预测 ${\hat{x} E^{t + k}, \hat{x} {R1}^{t + k}}$ 和最终预测 $\hat{x} {R2}^{t + k}$ 的图像质量度量，同时考虑光流平滑项，假设光流在空间上是平滑的。损失函数