简介面向图像处理与计算机视觉研究者的区域差分信息熵评价指标Python源码专用于超分辨率图像感知质量评估该指标通过对图像局部区域进行统计特征分析模拟人眼视觉感知机制比传统像素级误差度量更具参考价值。压缩包内共集成64个文件包括算法核心脚本、可直接运行的演示脚本、60张PNG测试样例、1份Markdown说明文档和1张流程图整体大小约25.23MB文件层次清晰便于按需查阅。目前已有37人浏览学习适合作为毕业设计、课程设计或科研入门的参考工具。代码含详细注释配合样例图像读者可快速理解区域差分信息熵的特征提取与质量打分流程运行演示脚本即可对比超分图像与参考图像直观获得评价结果并能通过阅读源码与文档进一步扩展自己的图像质量评价方案是一份兼顾学习与应用的实用资料。1. 超分图像没人看像素看的是区域统计特征——RDIE在评价什么做超分辨率重建的人都知道PSNR和SSIM只能证明像素误差小说明不了画面观感。同一张低分辨率图两个模型的PSNR可能只差0.3 dB放大到2x后一个皮肤纹理像磨皮一个像砂纸人眼几乎不用犹豫就能分辨高低。区域差分信息熵Regional Difference Entropy源码包缩写RDIE资料中也写作RDE从这个痛点切入把图像切块统计块内相邻像素差值的信息熵用熵值衡量纹理复杂度把质量评价从像素对齐拉到感知真实。这套Python源码包实现了完整RDIE链路含RDIE.py、demo.py以及HR/SR示例图对适合超分模型对比、课程设计、毕业设计研究。2. 区域差分信息熵的算法拆解分块、差分统计与熵值计算2.1 为什么差分比像素值本身更接近HVS人眼视觉系统HVS对亮度的响应不是线性的而是近似对数曲线同时视觉皮层对边缘、纹理这类局部强度变化非常敏感。直接比较SR与HR图像的像素值算的是逐点绝对误差完全忽略了结构信息。一张图像只要平移一个像素PSNR就会大幅下降但人眼几乎察觉不到变化。差分计算恰好抵消了绝对亮度偏移的影响相邻像素做差后得到的是局部梯度响应平滑区域差分接近0纹理区域差分波动剧烈这与HVS对局部对比度的感知机制是一致的。RDIE的出发点就是把这种差分关系当作信号分布来处理。超分模型在放大过程中丢失高频细节差分分布会收缩产生振铃或伪纹理差分分布又会异常扩散。这两种情况都会在信息熵上有所体现。所以RDIE不是单纯衡量“像不像”而是衡量“局部变化模式的复杂度保留了多少”这在感知质量评价里比逐点误差更有解释力。2.2 差分值分布与信息熵的数学表达对图像I的某个块区域R定义水平差分为Dh(x,y)I(x,y1)-I(x,y)垂直差分为Dv(x,y)I(x1,y)-I(x,y)实际计算时常用梯度幅度sqrt(Dh² Dv²)来综合两个方向。把差分幅度量化到bins个区间统计各区间出现的频数pi则该区域的差分信息熵为H_R -Σ pi · log2(pi)pi是第i个差分区间的归一化频数。熵值大说明块内差分分布均匀、纹理细节丰富熵值小说明差分集中在少数值上块内要么平滑要么是规则纹理。超分图像丢了高频细节时熵值会明显低于HR图像产生过度锐化时熵值又会异常升高。下面是核心计算逻辑的示意代码与RDIE.py中的实现思路一致import numpy as np def block_diff_entropy(block, bins256): # block: 2D numpy array, dtype float, 值域 [0, 255] dh block[:, 1:] - block[:, :-1] # 水平方向相邻像素差 dv block[1:, :] - block[:-1, :] # 垂直方向相邻像素差 # 对齐到共同的 (H-1, W-1) 区域避免形状不匹配 grad np.sqrt(dh[:-1, :]**2 dv[:, :-1]**2) hist, _ np.histogram(grad, binsbins, range(0, 255)) p hist / hist.sum() p p[p 0] # log2(0) 无定义必须过滤零概率区间 return float(-(p * np.log2(p)).sum())这里有一个容易踩的坑水平差分dh的形状是(H, W-1)垂直差分dv的形状是(H-1, W)直接相加会报错所以要用dh[:-1, :]和dv[:, :-1]截取公共区域。np.histogram的range(0, 255)表示差分幅度超过255的值与超出部分一起落入最后一个桶bins参数是直方图的桶数不是灰度级数。p[p0]这一步不能省差分幅度可能集中在少数区间直方图里会出现大量零值log2(0)会直接产生-inf并把整个熵值污染掉。2.3 区域划分策略对指标稳定性的影响差分熵依赖“区域”怎么划。最常见的做法是非重叠分块把图像均匀切成8×8、16×16或32×32的小块逐块计算差分熵后取均值作为整幅图像的RDIE分数。另一种做法是滑窗步长小于块边长统计更平滑但计算量成倍增加。RDIE.py默认走非重叠分块好处是可复现性好块与块之间没有重叠引入的相关性适合横向比较不同SR算法代价是对齐方式敏感图像边缘正好落在块边界上时个别块的熵值会异常。实际操作中我一般会保留块级熵值列表而不只保留均值这样可以直接定位到哪些区域被超分模型明显改动比只看最终分数有用得多。块大小的选择直接影响结论。8×8对局部细节最敏感适合检测纹理区域被过度平滑的问题16×16在稳定性和细节敏感度之间比较均衡32×32偏向整体趋势小范围的伪纹理容易被平均掉。建议用多个块大小各跑一遍观察RDIE值随块大小的变化趋势比单跑一个尺度更有说服力也能避免参数选择导致的结论偏差。2.4 与PSNR、SSIM的对比取舍RDIE不是PSNR的替代品而是补上“感知质量”这个维度。三者的差异可以用一张表看明白指标计算层次感知相关性主要失效场景PSNR像素级逐点MSE低平移、模糊、轻微伪影无法区分SSIM局部亮度、对比度、结构相似度中对平滑区域的高频重构差异不敏感RDIE块级差分分布信息熵较高对绝对亮度偏移不敏感需配合归一化使用上有一个很实用的取舍PSNR高但纹理糊掉的图SSIM往往还在0.95以上RDIE会把差距拉开因为过度平滑的差分分布收缩熵值明显走低反过来引入噪声或振铃后图像看着脏RDIE熵值又会偏高。所以RDIE的绝对数值没有意义更适合SR与HR成对比较或者多个SR结果互相排序。3. RDIE.py 源码关键实现从灰度映射到加权汇总3.1 输入预处理灰度转换与Y通道提取RDIE首先要解决“对哪一层通道计算熵”的问题。彩色图像直接对RGB三通道分别算差分熵再合并色度信息会干扰亮度纹理的判断而超分模型通常把颜色做得平滑、把亮度细节做得锐利混在一算容易互相掩盖。标准做法是转换到YCbCr色彩空间只取Y亮度通道参与计算灰度图则直接使用原数据。源码包里hr和sr示例图是成对准备的RDIE.py对输入有一个约定最终拿到的是一张二维numpy数组dtype为float64值域映射到[0, 255]区间。这个值域约定很关键。如果图像是0到1的float类型而不乘以255差分幅度的动态范围会缩到原来的1/255直方图全部挤在前几个桶里熵值低得几乎没有任何区分度。源码里的示例图就是为了验证这类边界条件设计的拿到自己的图像前建议先把示例图跑一遍确认分数落在合理区间再换数据。3.2 块级差分编码与直方图统计RDIE.py把整个流程拆成三层图像预处理、分块重复计算、汇总打分。下面的代码还原了主函数结构实际文件里的变量名略有差异但调用关系一致import numpy as np class RDIE: def __init__(self, block_size16, bins256): self.block_size block_size self.bins bins def score(self, image): h, w image.shape bs self.block_size # 只保留能完整整除的块不足一块的边缘直接丢弃 nh, nw h // bs, w // bs entropies [] for i in range(nh): for j in range(nw): block image[i*bs:(i1)*bs, j*bs:(j1)*bs] entropies.append(block_diff_entropy(block, self.bins)) return np.mean(entropies)边缘裁剪而不是padding是这个实现里值得注意的工程决策。超分图像的尺寸往往不是块大小的整数倍如果对边缘做reflect或constant补齐会让边界附近产生人为的规则梯度差分熵被明显拉低。直接丢弃不足一块的像素虽然损失少量信息但保证每个块的统计口径完全一致。聚合时用np.mean而不是np.median也有讲究一张图中只要少数区域出现明显伪纹理或过度平滑人眼就会被钉在这些瑕疵上均值能反映缺陷主导的观感。如果只关心整体平均质量可以改成np.median提高对异常块的容忍度。3.3 整体指标汇总与参数说明RDIE.py还提供了成对比较的入口分别计算HR与SR图像的RDIE值输出两个分数以及Gap差值这部分逻辑由demo.py串联。参数的影响需要逐个说清楚。block_size从8改到32熵值绝对大小会整体上移块越小熵值越高因为小块的差分动态范围更容易被填满。bins固定的是直方图量化粒度bins越小信息损失越大256是图像处理里最常用的选择。图像类型上float类型不乘255会导致直方图挤出在最前面的桶里uint8类型直接传入则没有这个问题。源码包里的README.md对这几个参数有进一步说明跑demo.py前先改参数对比几次能建立对数值尺度的直觉。4. demo.py 实战用HR/SR图像对跑通评估流程4.1 目录结构与命令行约定解压后能看到RDIE.py、demo.py、README.md、PipeLine.jpg以及imgs目录下的hr和sr子文件夹分别存放原始高分辨率图和超分重建结果。demo.py的设计目标是最小化使用成本读入HR路径和SR路径把两张图转成Y通道灰度图分别计算RDIE分值最后打印对比结果。命令行传参方式与常见的图像质量评价工具一致。4.2 单张SR图像质量评估在项目根目录下执行python demo.py --hr imgs/hr/baboon.png --sr imgs/sr/baboon.png --block 16 --bins 256参数说明--hr和--sr分别指定原始高分辨率图和待评价的超分结果图--block是区域划分边长默认16可选8或32--bins是差分直方图量化桶数默认256改成128会牺牲差分分布的细节分辨力。执行后终端会输出三行[RDIE] HR baboon.png : 6.3187 [RDIE] SR baboon.png : 6.1042 [RDIE] Gap : 0.2145看输出时重点不是绝对分数而是Gap。Gap越小说明超分结果在局部纹理复杂度上越接近原始HR。双三次插值的结果Gap通常在0.2到0.6之间细节恢复能力强的超分模型可以把Gap压到0.1以内。这里有一个值得警惕的情况有些模型会凭空生成不存在的纹理RDIE值反而高于HRGap变成负值说明伪纹理数量超过了真实HR的细节量感知上通常表现为画面“脏”和“不自然”。4.3 多张SR结果横向对比单张图看不出模型优劣批量对比才有意义。可以用bash循环把多张SR结果一次跑完for sr in imgs/sr/*.png; do name$(basename $sr) python demo.py --hr imgs/hr/$name --sr $sr --block 16 --bins 256 done输出会逐行打印每张图的RDIE分数和Gap把Gap单独摘出来排序就能快速看出哪个模型在纹理还原上更接近原始图像。需要注意循环里HR和SR文件名必须一致目录结构不要随意改动如果SR图像经过裁剪或带边框先做中心对齐再评估否则边缘区域会贡献一批不真实的差分统计。另一个容易出错的地方是批处理时混用不同block_size块大小直接影响熵值的绝对大小混用会导致Gap的横向对比完全失去意义同一次比较必须固定参数。5. 把RDIE用在超分模型对比与调参上的三个技巧5.1 用RDIE筛选模型checkpoint训练超分模型时验证集上PSNR最高的checkpoint不一定最适合展示。可以把每个checkpoint在验证集上重建一遍调用RDIE.py的score函数生成CSV列包含PSNR、SSIM和RDIE Gap。两个checkpoint的PSNR接近时RDIE Gap差距超过0.1优先选Gap更低的那个观感通常更好。注意验证集图像要固定同一组超分倍率也要一致否则RDIE分数没有可比性。5.2 用RDIE识别伪高清有些模型在低倍率下表现优秀放大到4x后开始编造细节。这类结果的特点是PSNR下降不多但RDIE出现负Gap。检查方式是把SR与HR的RDIE分数分开打印当SR分数高于HR超过0.3时大概率在高频区域产生了过量规则纹理。把每个块的熵值映射成灰度图保存成热力图可以定位到具体是哪个区域在造假源码包里附带的PipeLine.jpg画的就是这条从输入图像到分块、再到差分熵热力图的评估链路。5.3 调整bins观察差分分布的尺度响应bins从256逐步降到16相当于把差分直方图的分辨率从精细逐步变粗。重采样这个参数后画出熵值下降曲线曲线平缓说明图像纹理分布均匀曲线陡峭说明差分值集中在小范围、大动态范围的细节缺失。这条曲线比单点数值更能说明问题如果SR的熵值下降曲线在bins较大时明显低于HR说明高频细节丢失如果bins较小时反而高于HR说明存在伪纹理。实际修改只要改RDIE类初始化时的bins参数重跑一遍demo.py就能看到超分结果在哪个差分尺度上丢了细节不需要动其他代码。本文还有配套的精品资源点击获取 区域差分信息熵RDIE：超分图像感知质量评估方法解析
简介面向图像处理与计算机视觉研究者的区域差分信息熵评价指标Python源码专用于超分辨率图像感知质量评估该指标通过对图像局部区域进行统计特征分析模拟人眼视觉感知机制比传统像素级误差度量更具参考价值。压缩包内共集成64个文件包括算法核心脚本、可直接运行的演示脚本、60张PNG测试样例、1份Markdown说明文档和1张流程图整体大小约25.23MB文件层次清晰便于按需查阅。目前已有37人浏览学习适合作为毕业设计、课程设计或科研入门的参考工具。代码含详细注释配合样例图像读者可快速理解区域差分信息熵的特征提取与质量打分流程运行演示脚本即可对比超分图像与参考图像直观获得评价结果并能通过阅读源码与文档进一步扩展自己的图像质量评价方案是一份兼顾学习与应用的实用资料。1. 超分图像没人看像素看的是区域统计特征——RDIE在评价什么做超分辨率重建的人都知道PSNR和SSIM只能证明像素误差小说明不了画面观感。同一张低分辨率图两个模型的PSNR可能只差0.3 dB放大到2x后一个皮肤纹理像磨皮一个像砂纸人眼几乎不用犹豫就能分辨高低。区域差分信息熵Regional Difference Entropy源码包缩写RDIE资料中也写作RDE从这个痛点切入把图像切块统计块内相邻像素差值的信息熵用熵值衡量纹理复杂度把质量评价从像素对齐拉到感知真实。这套Python源码包实现了完整RDIE链路含RDIE.py、demo.py以及HR/SR示例图对适合超分模型对比、课程设计、毕业设计研究。2. 区域差分信息熵的算法拆解分块、差分统计与熵值计算2.1 为什么差分比像素值本身更接近HVS人眼视觉系统HVS对亮度的响应不是线性的而是近似对数曲线同时视觉皮层对边缘、纹理这类局部强度变化非常敏感。直接比较SR与HR图像的像素值算的是逐点绝对误差完全忽略了结构信息。一张图像只要平移一个像素PSNR就会大幅下降但人眼几乎察觉不到变化。差分计算恰好抵消了绝对亮度偏移的影响相邻像素做差后得到的是局部梯度响应平滑区域差分接近0纹理区域差分波动剧烈这与HVS对局部对比度的感知机制是一致的。RDIE的出发点就是把这种差分关系当作信号分布来处理。超分模型在放大过程中丢失高频细节差分分布会收缩产生振铃或伪纹理差分分布又会异常扩散。这两种情况都会在信息熵上有所体现。所以RDIE不是单纯衡量“像不像”而是衡量“局部变化模式的复杂度保留了多少”这在感知质量评价里比逐点误差更有解释力。2.2 差分值分布与信息熵的数学表达对图像I的某个块区域R定义水平差分为Dh(x,y)I(x,y1)-I(x,y)垂直差分为Dv(x,y)I(x1,y)-I(x,y)实际计算时常用梯度幅度sqrt(Dh² Dv²)来综合两个方向。把差分幅度量化到bins个区间统计各区间出现的频数pi则该区域的差分信息熵为H_R -Σ pi · log2(pi)pi是第i个差分区间的归一化频数。熵值大说明块内差分分布均匀、纹理细节丰富熵值小说明差分集中在少数值上块内要么平滑要么是规则纹理。超分图像丢了高频细节时熵值会明显低于HR图像产生过度锐化时熵值又会异常升高。下面是核心计算逻辑的示意代码与RDIE.py中的实现思路一致import numpy as np def block_diff_entropy(block, bins256): # block: 2D numpy array, dtype float, 值域 [0, 255] dh block[:, 1:] - block[:, :-1] # 水平方向相邻像素差 dv block[1:, :] - block[:-1, :] # 垂直方向相邻像素差 # 对齐到共同的 (H-1, W-1) 区域避免形状不匹配 grad np.sqrt(dh[:-1, :]**2 dv[:, :-1]**2) hist, _ np.histogram(grad, binsbins, range(0, 255)) p hist / hist.sum() p p[p 0] # log2(0) 无定义必须过滤零概率区间 return float(-(p * np.log2(p)).sum())这里有一个容易踩的坑水平差分dh的形状是(H, W-1)垂直差分dv的形状是(H-1, W)直接相加会报错所以要用dh[:-1, :]和dv[:, :-1]截取公共区域。np.histogram的range(0, 255)表示差分幅度超过255的值与超出部分一起落入最后一个桶bins参数是直方图的桶数不是灰度级数。p[p0]这一步不能省差分幅度可能集中在少数区间直方图里会出现大量零值log2(0)会直接产生-inf并把整个熵值污染掉。2.3 区域划分策略对指标稳定性的影响差分熵依赖“区域”怎么划。最常见的做法是非重叠分块把图像均匀切成8×8、16×16或32×32的小块逐块计算差分熵后取均值作为整幅图像的RDIE分数。另一种做法是滑窗步长小于块边长统计更平滑但计算量成倍增加。RDIE.py默认走非重叠分块好处是可复现性好块与块之间没有重叠引入的相关性适合横向比较不同SR算法代价是对齐方式敏感图像边缘正好落在块边界上时个别块的熵值会异常。实际操作中我一般会保留块级熵值列表而不只保留均值这样可以直接定位到哪些区域被超分模型明显改动比只看最终分数有用得多。块大小的选择直接影响结论。8×8对局部细节最敏感适合检测纹理区域被过度平滑的问题16×16在稳定性和细节敏感度之间比较均衡32×32偏向整体趋势小范围的伪纹理容易被平均掉。建议用多个块大小各跑一遍观察RDIE值随块大小的变化趋势比单跑一个尺度更有说服力也能避免参数选择导致的结论偏差。2.4 与PSNR、SSIM的对比取舍RDIE不是PSNR的替代品而是补上“感知质量”这个维度。三者的差异可以用一张表看明白指标计算层次感知相关性主要失效场景PSNR像素级逐点MSE低平移、模糊、轻微伪影无法区分SSIM局部亮度、对比度、结构相似度中对平滑区域的高频重构差异不敏感RDIE块级差分分布信息熵较高对绝对亮度偏移不敏感需配合归一化使用上有一个很实用的取舍PSNR高但纹理糊掉的图SSIM往往还在0.95以上RDIE会把差距拉开因为过度平滑的差分分布收缩熵值明显走低反过来引入噪声或振铃后图像看着脏RDIE熵值又会偏高。所以RDIE的绝对数值没有意义更适合SR与HR成对比较或者多个SR结果互相排序。3. RDIE.py 源码关键实现从灰度映射到加权汇总3.1 输入预处理灰度转换与Y通道提取RDIE首先要解决“对哪一层通道计算熵”的问题。彩色图像直接对RGB三通道分别算差分熵再合并色度信息会干扰亮度纹理的判断而超分模型通常把颜色做得平滑、把亮度细节做得锐利混在一算容易互相掩盖。标准做法是转换到YCbCr色彩空间只取Y亮度通道参与计算灰度图则直接使用原数据。源码包里hr和sr示例图是成对准备的RDIE.py对输入有一个约定最终拿到的是一张二维numpy数组dtype为float64值域映射到[0, 255]区间。这个值域约定很关键。如果图像是0到1的float类型而不乘以255差分幅度的动态范围会缩到原来的1/255直方图全部挤在前几个桶里熵值低得几乎没有任何区分度。源码里的示例图就是为了验证这类边界条件设计的拿到自己的图像前建议先把示例图跑一遍确认分数落在合理区间再换数据。3.2 块级差分编码与直方图统计RDIE.py把整个流程拆成三层图像预处理、分块重复计算、汇总打分。下面的代码还原了主函数结构实际文件里的变量名略有差异但调用关系一致import numpy as np class RDIE: def __init__(self, block_size16, bins256): self.block_size block_size self.bins bins def score(self, image): h, w image.shape bs self.block_size # 只保留能完整整除的块不足一块的边缘直接丢弃 nh, nw h // bs, w // bs entropies [] for i in range(nh): for j in range(nw): block image[i*bs:(i1)*bs, j*bs:(j1)*bs] entropies.append(block_diff_entropy(block, self.bins)) return np.mean(entropies)边缘裁剪而不是padding是这个实现里值得注意的工程决策。超分图像的尺寸往往不是块大小的整数倍如果对边缘做reflect或constant补齐会让边界附近产生人为的规则梯度差分熵被明显拉低。直接丢弃不足一块的像素虽然损失少量信息但保证每个块的统计口径完全一致。聚合时用np.mean而不是np.median也有讲究一张图中只要少数区域出现明显伪纹理或过度平滑人眼就会被钉在这些瑕疵上均值能反映缺陷主导的观感。如果只关心整体平均质量可以改成np.median提高对异常块的容忍度。3.3 整体指标汇总与参数说明RDIE.py还提供了成对比较的入口分别计算HR与SR图像的RDIE值输出两个分数以及Gap差值这部分逻辑由demo.py串联。参数的影响需要逐个说清楚。block_size从8改到32熵值绝对大小会整体上移块越小熵值越高因为小块的差分动态范围更容易被填满。bins固定的是直方图量化粒度bins越小信息损失越大256是图像处理里最常用的选择。图像类型上float类型不乘255会导致直方图挤出在最前面的桶里uint8类型直接传入则没有这个问题。源码包里的README.md对这几个参数有进一步说明跑demo.py前先改参数对比几次能建立对数值尺度的直觉。4. demo.py 实战用HR/SR图像对跑通评估流程4.1 目录结构与命令行约定解压后能看到RDIE.py、demo.py、README.md、PipeLine.jpg以及imgs目录下的hr和sr子文件夹分别存放原始高分辨率图和超分重建结果。demo.py的设计目标是最小化使用成本读入HR路径和SR路径把两张图转成Y通道灰度图分别计算RDIE分值最后打印对比结果。命令行传参方式与常见的图像质量评价工具一致。4.2 单张SR图像质量评估在项目根目录下执行python demo.py --hr imgs/hr/baboon.png --sr imgs/sr/baboon.png --block 16 --bins 256参数说明--hr和--sr分别指定原始高分辨率图和待评价的超分结果图--block是区域划分边长默认16可选8或32--bins是差分直方图量化桶数默认256改成128会牺牲差分分布的细节分辨力。执行后终端会输出三行[RDIE] HR baboon.png : 6.3187 [RDIE] SR baboon.png : 6.1042 [RDIE] Gap : 0.2145看输出时重点不是绝对分数而是Gap。Gap越小说明超分结果在局部纹理复杂度上越接近原始HR。双三次插值的结果Gap通常在0.2到0.6之间细节恢复能力强的超分模型可以把Gap压到0.1以内。这里有一个值得警惕的情况有些模型会凭空生成不存在的纹理RDIE值反而高于HRGap变成负值说明伪纹理数量超过了真实HR的细节量感知上通常表现为画面“脏”和“不自然”。4.3 多张SR结果横向对比单张图看不出模型优劣批量对比才有意义。可以用bash循环把多张SR结果一次跑完for sr in imgs/sr/*.png; do name$(basename $sr) python demo.py --hr imgs/hr/$name --sr $sr --block 16 --bins 256 done输出会逐行打印每张图的RDIE分数和Gap把Gap单独摘出来排序就能快速看出哪个模型在纹理还原上更接近原始图像。需要注意循环里HR和SR文件名必须一致目录结构不要随意改动如果SR图像经过裁剪或带边框先做中心对齐再评估否则边缘区域会贡献一批不真实的差分统计。另一个容易出错的地方是批处理时混用不同block_size块大小直接影响熵值的绝对大小混用会导致Gap的横向对比完全失去意义同一次比较必须固定参数。5. 把RDIE用在超分模型对比与调参上的三个技巧5.1 用RDIE筛选模型checkpoint训练超分模型时验证集上PSNR最高的checkpoint不一定最适合展示。可以把每个checkpoint在验证集上重建一遍调用RDIE.py的score函数生成CSV列包含PSNR、SSIM和RDIE Gap。两个checkpoint的PSNR接近时RDIE Gap差距超过0.1优先选Gap更低的那个观感通常更好。注意验证集图像要固定同一组超分倍率也要一致否则RDIE分数没有可比性。5.2 用RDIE识别伪高清有些模型在低倍率下表现优秀放大到4x后开始编造细节。这类结果的特点是PSNR下降不多但RDIE出现负Gap。检查方式是把SR与HR的RDIE分数分开打印当SR分数高于HR超过0.3时大概率在高频区域产生了过量规则纹理。把每个块的熵值映射成灰度图保存成热力图可以定位到具体是哪个区域在造假源码包里附带的PipeLine.jpg画的就是这条从输入图像到分块、再到差分熵热力图的评估链路。5.3 调整bins观察差分分布的尺度响应bins从256逐步降到16相当于把差分直方图的分辨率从精细逐步变粗。重采样这个参数后画出熵值下降曲线曲线平缓说明图像纹理分布均匀曲线陡峭说明差分值集中在小范围、大动态范围的细节缺失。这条曲线比单点数值更能说明问题如果SR的熵值下降曲线在bins较大时明显低于HR说明高频细节丢失如果bins较小时反而高于HR说明存在伪纹理。实际修改只要改RDIE类初始化时的bins参数重跑一遍demo.py就能看到超分结果在哪个差分尺度上丢了细节不需要动其他代码。本文还有配套的精品资源点击获取