损失函数

本文记录了图像超分模型微调中损失函数的重构全过程。结合代码深度解析了抛弃MSE、加载延迟Warm-up机制，以及如何根据Sobel原始Loss尺度动态调整权重，避免医学超分出现遗忘与伪影的踩坑经验。

传统超分感知损失常使用 ImageNet 预训练的 VGG，但在内窥镜等医学图像中存在严重的“域鸿沟”。本文记录了在 Windows 环境下，如何使用内窥镜基础模型 EndoMamba 替换 VGG。

通过数量级对齐、基线确立、对数试探与视觉盲测，助你告别“拍脑袋”调参，稳步打破感知-失真权衡（Perception-Distortion Tradeoff）的魔咒。

本文记录了我是如何将上百行的基于 Mamba 的感知损失代码从主训练脚本中剥离，通过规范的目录结构、相对导入与动态权重路径寻址，将其重构为“一行代码即可调用”的即插即用黑盒组件的全过程。

把所用到的Endo-FM模型中最核心的特征提取部分剥离出来，封装成一个不依赖任何外部配置、自闭环、即插即用的 PyTorch 模块。