1. 均方误差（Mean Squared Error，MSE）：计算两个图像像素之间的平均差异的平方。MSE越小，表示两个图像越接近。

2. 均方根误差（Root Mean Squared Error，RMSE）：MSE的平方根。RMSE也用于衡量两个图像之间的差异，与MSE类似，但更易于解释。

3. 均方根对数似然比误差（Root Mean Square Logarithmic Error，RMSLE）：计算两个图像像素值的对数之间的均方根差异。RMSLE通常在图像处理和计算机视觉任务中使用。

4. 结构相似性指数（Structural Similarity Index，SSIM）：衡量两个图像在结构、纹理和亮度方面的相似性。SSIM值介于0和1之间，值越接近1表示图像越相似。

5. 峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）：衡量图像失真程度的指标，常用于图像和视频压缩评估。PSNR值越高，表示图像质量越好。

6. 结构相位相似性（Structural Phase Similarity，SPS）：类似于SSIM，但在相位信息上进行比较。SPS测量了两个图像在结构和纹理方面的相似性。

7. 多尺度结构相似性（Multi-Scale Structural Similarity，MS-SSIM）：对图像进行多尺度分解，并计算每个尺度上的SSIM值，然后进行加权平均得到最终的相似性指数。

这些指标可以根据具体需求选择使用，不同的指标适用于不同的应用场景。

峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）： PSNR是衡量重建图像与原始图像之间峰值信噪比的指标，数值越高表示重建图像质量越好。

import torch
import torch.nn.functional as Fdef psnr(img1, img2):mse = F.mse_loss(img1, img2)psnr = 10 * torch.log10(1 / mse)return psnrdef psnr(img1, img2):mse = F.mse_loss(img1, img2)psnr = 10 * torch.log10(255** 2 / mse)return psnr

结构相似性指数（Structural Similarity Index，SSIM）： SSIM可以衡量重建图像与原始图像之间结构相似性的指标，数值越接近1表示重建图像质量越好

import torch
import torch.nn.functional as Fdef ssim(img1, img2, window_size=11, size_average=True):# 设置窗口参数channels = img1.size(1)window = create_window(window_size, channels).to(img1.device)# 计算图像均值、方差和协方差mu1 = F.conv2d(img1, window, padding=window_size//2, groups=channels)mu2 = F.conv2d(img2, window, padding=window_size//2, groups=channels)mu1_sq = mu1.pow(2)mu2_sq = mu2.pow(2)mu1_mu2 = mu1 * mu2sigma1_sq = F.conv2d(img1 * img1, window, padding=window_size//2, groups=channels) - mu1_sqsigma2_sq = F.conv2d(img2 * img2, window, padding=window_size//2, groups=channels) - mu2_sqsigma12 = F.conv2d(img1 * img2, window, padding=window_size//2, groups=channels) - mu1_mu2# 计算SSIM值C1 = (0.01 * 255)**2C2 = (0.03 * 255)**2numerator = (2 * mu1_mu2 + C1) * (2 * sigma12 + C2)denominator = (mu1_sq + mu2_sq + C1) * (sigma1_sq + sigma2_sq + C2)ssim_map = numerator / denominatorif size_average:return ssim_map.mean()else:return ssim_map.mean(1).mean(1).mean(1)def gaussian(window_size, sigma):gauss = torch.exp(-(torch.arange(window_size) - window_size//2)**2 / (2*sigma**2))return gauss / gauss.sum()def create_window(window_size, channels):_1D_window = gaussian(window_size, 1.5).unsqueeze(1)_2D_window = _1D_window.mm(_1D_window.t()).float().unsqueeze(0).unsqueeze(0)window = _2D_window.expand(channels, 1, window_size, window_size).contiguous()return window# 示例用法
img1 = torch.randn(1, 3, 256, 256)  # 输入图像1
img2 = torch.randn(1, 3, 256, 256)  # 输入图像2ssim_value = ssim(img1, img2)
print(ssim_value)

其它

import torch
import torch.nn.functional as Fdef rmse(img1, img2):mse = F.mse_loss(img1, img2)rmse_value = torch.sqrt(mse)return rmse_valuedef sps(img1, img2):fft1 = torch.fft.fftn(img1)fft2 = torch.fft.fftn(img2)phase_corr = torch.cos(fft1.angle() - fft2.angle())sps_value = torch.mean(phase_corr)return sps_value计算RMSLE时，使用1加上两个图像像素值之间的差异的平方。这里加1的目的是为了避免当差异为0时取对数的问题。如果两个像素值相等，即img1 - img2 = 0，那么计算log(1 + (img1 - img2)**2)时，如果没有加1，就会变成log(0)，这将导致无穷大或错误的结果。通过加1，我们确保了即使差异为0，取对数时也不会出现问题。
因此，在计算RMSLE时，通常会在差异平方的基础上加1，以确保计算的稳定性和正确性。def rmsle(img1, img2):log_diff = torch.log(1 + (img1 - img2)**2)rmsle_value = torch.sqrt(torch.mean(log_diff))return rmsle_value# 示例用法
img1 = torch.randn(1, 3, 256, 256)  # 输入图像1
img2 = torch.randn(1, 3, 256, 256)  # 输入图像2rmse_value = rmse(img1, img2)
sps_value = sps(img1, img2)
rmsle_value = rmsle(img1, img2)print("RMSE:", rmse_value)
print("SPS:", sps_value)
print("RMSLE:", rmsle_value)