摘要：在图像超分辨率（SR）任务中，引入感知损失（Perceptual Loss）能极大提升纹理的真实感，但往往伴随着 PSNR 指标的下降（感知-失真权衡）。本文记录了我在医学图像超分微调中踩过的坑：如何因为误用 ReduceLROnPlateau 调度器和“基于 PSNR 的早停策略”导致模型训练过早崩溃，以及如何通过切换余弦退火调度器和强制全周期训练来解开“PSNR 的枷锁”。
一、 为什么学这个？
在最近的医学图像超分辨率微调项目中，我将基线模型（如 ESPCN/RDB）与强大的领域基础模型结合，作为感知损失（Perceptual Loss）的特征提取器。原本期待网络能生成极其逼真的组织纹理和微血管，但在实际跑实验时，我发现了一个诡异的现象：
模型在训练初期的表现还算正常，但很快学习率就被疯狂衰减到极小值，甚至触发了早停（Early Stopping），导致训练草草结束。 最终得到的所谓“Best Model”，画面依然平滑模糊，感知损失似乎根本没有发挥出“雕刻纹理”的作用。
带着这个疑问，我重新审视了深度学习中最常用的两个训练策略：学习率调度器和早停机制，并发现了它们在感知超分任务中的致命逻辑漏洞。
二、 核心内容：感知-失真权衡下的策略失效
在纯像素级超分（仅依靠 L1/MSE Loss）中，我们的唯一目标是刷高 PSNR。但引入感知损失后，绕不开一个著名的数学定理：感知-失真权衡（Perception-Distortion Tradeoff） 。即：图像的视觉观感越逼真（高频细节越丰富），像素级指标（PSNR）往往越低。
这就导致了常规策略的全面失效：
1. ReduceLROnPlateau 变成了“训练杀手”
我原本使用的是依赖于验证集 PSNR 的 ReduceLROnPlateau 调度器。当感知损失开始发力、网络尝试生成逼真纹理时，PSNR 会不可避免地出现震荡或下降。调度器监测到 PSNR 不升反降，误以为“模型陷入了瓶颈”，于是开始疯狂将学习率减半。短短几个 Epoch，学习率就被降到了下限（如 ），模型被彻底“冻僵”，根本来不及学习复杂的感知特征。
2. 早停策略（Early Stopping）变成了“劣币驱逐良币”
早停机制同样绑定了 best_psnr。当感知约束让画面变得锐利但 PSNR 掉了 0.5dB 时，早停计数器开始冷酷地累加。达到容忍度（Patience）后，它直接掐断了训练。这导致我保存下来的永远是那个刚结束预热、画面平滑但 PSNR 最高的半成品，真正充满细节的模型反而被当成“坏模型”丢弃了。
三、 遇到的问题与解决方法
为了让模型真正学到高频感知特征，我对训练代码进行了“外科手术”，彻底剥离了对 PSNR 的盲目依赖。
问题 1：学习率过早归零
解决方法：废弃动态依赖指标的 ReduceLROnPlateau，改用强制按 Epoch 衰减的策略。
我将调度器替换为余弦退火调度器 CosineAnnealingLR。无论 PSNR 怎么跌，它都只按照预定的 Epoch 稳步降低学习率，给感知网络留足了“作画”的步数。
问题 2：优质模型被早停机制腰斩
解决方法：直接禁用基于 PSNR 的早停机制，强制跑满预定的 Epoch。
同时，配合定期存档策略（每隔几个 Epoch 保存一次快照），在训练结束后，通过肉眼拉片盲测，挑出纹理最逼真、伪影最少的权重作为最终的 Best Model。
四、 收获与总结
这次踩坑经历让我完成了一次重要的算法工程思维转变：
- 打破“指标崇拜” ：在生成式和主观视觉导向的任务中，PSNR 和 SSIM 只能作为防止模型彻底崩坏的“底线监测器”，而不能作为核心的评价标准。
- 策略需匹配任务特性：没有万能的调参策略。在迁移学习/分类任务中堪称神器的
ReduceLROnPlateau+ 早停，在感知超分中就是毁灭性的毒药。
最终结论：如果你在做引入了感知损失的图像恢复任务，请务必换用余弦退火/多阶跃衰减调度器，关掉早停机制，老老实实跑满 Epoch，最后相信你的肉眼评测，而不是控制台上打印的 PSNR 分数。
