做超分、去噪、修复、生成这一圈活儿的人，几乎都会在某个时刻被同一个问题卡住：这张图到底算不算好？你说好看，评审说不够锐；你说指标高，审稿人反问 PSNR 涨了 0.1dB 有什么意义。我自己最早接触 PSNR 和 SSIM 的时候，天真地以为只要这两个数上去了，图就一定是好的，结果在生成任务上被现实教育了一顿——SSIM 0.92 的图糊得像隔了层毛玻璃，而另一组 SSIM 只有 0.85 的结果肉眼看着舒服得多。后来才慢慢把 LPIPS、IS、FID、Precision、Recall 这一整套体系摸清楚：它们不是互相替代的关系，而是各自回答不同的问题。

这篇东西我打算把这七个指标的来龙去脉、计算方式、代码实现和踩坑经验一次讲透。适合谁看？正在写图像恢复或生成方向论文的研究生、需要给模型做客观评测的算法工程师、以及被"指标为什么对不上"折磨过的同行。PSNR、SSIM 是像素级的入门款，LPIPS 负责感知层面的相似度，IS 和 FID 站在分布层面衡量生成质量，Precision 和 Recall 则把"质量"和"多样性"这两件常被混为一谈的事拆开来看。全篇不聊虚的，每个指标我都会给出公式直觉、实测代码和真实踩过的坑，看完你至少能自己搭一套评测流水线，并且知道每个数字该信到什么程度。

1. 先把指标地图画清楚：七种指标各自回答什么问题

在动手算任何一个指标之前，我强烈建议先想清楚一件事：你手上这次比较，到底是"两张图之间像不像"，还是"一堆生成图整体像不像真图"。这两个问题的答案完全不在一个层面上，混用指标是新手最常见的翻车原因。我自己带过的几个项目里，最典型的一幕就是有人拿 LPIPS 去评估整个数据集的生成质量，然后发现数值毫无区分度——因为 LPIPS 是逐对比较的，它压根不关心分布。选指标的第一步不是记公式，而是先给自己的任务归类。

1.1 全参考、无参考与分布级：三种完全不同的比较方式

全参考（Full-Reference）指标要求你同时拥有生成结果和对应的真值图，也就是说你必须有配对数据。PSNR、SSIM、LPIPS 都属于这一类。它们回答的是"这一对图有多像"，适用于超分辨率、去噪、去模糊、压缩、图像修复这些有 ground truth 的任务。这里的关键约束是配对：如果生成的图和真值在图空间上对不齐，哪怕只是平移了两个像素，PSNR 都会掉得很难看，但这不代表图不好。

分布级（Distribution-level）指标不需要配对，它把真实图像集和生成图像集各看成一个整体分布，然后比较两个分布的距离或者重叠程度。IS、FID、Precision、Recall 都是这一挂。它们适用于无条件生成、文本生成图像、风格迁移这类"没有唯一正确答案"的任务。你不可能给一张"画一只猫"的生成结果找真值，但你可以问：这一万张生成的猫，和真实猫图片的分布差多远。

无参考（No-Reference）指标这块我没列进标题，但实测中很实用，比如 NIQE、BRISQUE、MUSIQ 这类，它们只吃一张图就能打分，常用于真实场景的退化图像评估。之所以不展开，是因为它们的可解释性和可复现性争议比较大，训练集偏置明显，做学术对比时容易被质疑。知道它们存在、知道什么时候该用，暂时就够了。

1.2 七种指标定位速查

我习惯用一张表把定位固定下来，写论文和做工程汇报时直接照着填，能省掉很多解释成本：

这张表我会一直带在身边，因为它直接回答了一个非常现实的问题：评审问"你为什么不算 FID"的时候，你可以说"我的任务有配对真值，FID 不适用，我用的是 LPIPS 加 SSIM 组合"。这句话一说，专业度立刻不一样。

1.3 选型的第一原则：先确定你要证明什么

我逐渐总结出一条很朴素的规则：指标的选择应该由你想证明的结论倒推，而不是由习惯决定。如果你想证明"我的方法在像素保真上更接近真值"，那就用 PSNR 和 SSIM，并且老老实实报告每张图的结果和平均值。如果你想证明"我的方法生成的图更像真的"，那就上 FID 和 Precision/Recall，并且保证真实集和生成集的样本量、预处理方式完全一致。

这里有个很容易被忽略的细节：指标数量不是越多越好。我见过一些论文堆了七八个指标，结果其中两个互相矛盾，反而给审稿人递了刀子。比较稳妥的做法是主指标一到两个、辅助指标一到两个，并且提前想好：如果辅助指标和主指标打架，你怎么解释。通常打架的地方才藏着真正的信息量，比如 PSNR 高但 LPIPS 差，往往说明模型在做平滑，这个现象本身就值得写一段分析。

2. PSNR 与 SSIM：像素域的两位老将

这两个指标基本是所有图像任务的标配，但真正能说清楚它们适用边界的人并不多。我的经验是，把 PSNR 当"温度计"看，把 SSIM 当"结构体检"看，两者都不能单独作为最终结论。下面我把公式直觉、实现细节和坑一次性说清楚。

2.1 PSNR 的算法与 dB 值的直觉

PSNR 的定义非常直接，先算均方误差 MSE，再取对数：

MSE = (1 / (H*W*C)) * Σ (I_pred - I_gt)^2 PSNR = 10 * log10(MAX^2 / MSE)

其中 MAX 是像素动态范围，8 位图就是 255。这里的对数关系决定了 PSNR 的一个特性：它对误差的敏感度是非线性的。MSE 减半，PSNR 只涨大约 3dB。所以当你看到 PSNR 从 28.5 涨到 28.7，别急着高兴，这点提升在视觉上基本看不出来，可能只是某几个平坦区域的噪声稍微小了一点点。

再看 dB 值的直觉。30dB 大概是"能看出差异但整体可接受"，35dB 以上人眼已经很难分辨，40dB 往上基本就是压缩算法在自娱自乐了。我实测过一个极端例子：把真值图加 1 的均匀偏移（所有像素加 1），PSNR 能到 48dB 左右，肉眼几乎看不出任何差别，但如果把图整体轻微模糊，PSNR 可能会掉到 32dB，而肉眼第一眼未必看得出来。这就是 PSNR 的局限：它对全局亮度和对比度的偏移非常宽容，对结构性模糊反而迟钝。

2.2 SSIM 三项分解与局部滑窗

SSIM 的设计初衷就是为了弥补 PSNR 只看逐像素误差的缺陷。它从三个维度同时比较：亮度、对比度、结构。

SSIM(x, y) = [l(x,y)]^α · [c(x,y)]^β · [s(x,y)]^γ l(x,y) = (2μxμy + C1) / (μx² + μy² + C1) # 亮度 c(x,y) = (2σxσy + C2) / (σx² + σy² + C2) # 对比度 s(x,y) = (σxy + C3) / (σxσy + C3) # 结构

实践中通常取 α=β=γ=1，C3=C2/2，简化成常见的那个长公式。这里的 μ 是局部均值，σ 是局部标准差，σxy 是协方差，全部在滑动窗口内计算。窗口一般用 11×11 的高斯核，σ 取 1.5。

理解 SSIM 的一个好类比：它像在问三个问题——"这两块的明暗差不多吗""这两块的对比度差不多吗""这两块的花纹走向一致吗"。三个都点头才给高分。所以一片纯色区域即使整体偏亮，SSIM 也不会崩得太厉害；但如果把边缘位置挪动一个像素，结构项立刻掉下来。

2.3 代码实现与三个必踩的坑

我用得最多的是scikit-image，代码很短，但坑都在细节里：

import numpy as np from skimage.metrics import peak_signal_noise_ratio, structural_similarity def evaluate_pair(pred, gt, data_range=255.0): # 统一转成 float，避免 uint8 减法溢出 pred = pred.astype(np.float64) gt = gt.astype(np.float64) psnr = peak_signal_noise_ratio(gt, pred, data_range=data_range) # channel_axis 在新版本里替代了 multichannel=True ssim = structural_similarity( gt, pred, channel_axis=2, # 彩色图必须指定，否则会按单通道算 data_range=data_range, gaussian_weights=True, sigma=1.5, use_sample_covariance=False ) return psnr, ssim

第一个坑是uint8 溢出。我发现过好几次这种情况：直接把 uint8 图丢进去相减，结果 MSE 算出负数或者异常小的值，PSNR 直接飙到 80dB。后来养成习惯，所有指标计算内部一律先转 float64，边界上再转回去。

第二个坑是data_range 传错。如果你把图像归一化到 [0,1] 却仍然让函数按 255 处理，PSNR 会凭空少掉约 48dB，数值会非常难看。反过来，如果图是 [0,255] 却传了 data_range=1.0，PSNR 又会虚高。我现在写评测脚本，一定会在开头断言一下数据的取值范围：

def check_range(img, name): lo, hi = float(img.min()), float(img.max()) assert lo >= 0.0, f"{name} 有负值: {lo}" assert hi <= 255.0 + 1e-6, f"{name} 超出范围: {hi}" print(f"[{name}] range = [{lo:.3f}, {hi:.3f}]")

第三个坑是通道维度和四通道图。遇到 RGBA 或者多光谱图时，channel_axis要写对，否则要么报错，要么悄悄按错误的维度算，结果就完全不可比。我一般的做法是评测前统一把图转成 RGB 三通道、8 位或者 float32 [0,1]，把格式收敛掉，后面所有指标都用同一份预处理结果。

2.4 什么时候该用，什么时候坚决不用

PSNR 和 SSIM 最适合的场景是有明确真值且目标是保真的任务。比如医学影像去噪、遥感图像复原、老照片修复、图像压缩算法对比。这些任务里，失真主要来自噪声和编码误差，像素级和结构级指标和主观感受的相关性还算能接受。

但在生成任务、风格迁移、艺术化处理上，我会明确避免用它们当主指标。原因很简单：这些任务允许多种正确答案，而 PSNR 只认一种。一个把图像风格化处理得很漂亮的结果，PSNR 可能只有 18dB；而一个把真值轻微模糊、什么也没生成出来的模型，PSNR 能有 35dB。如果你拿 PSNR 去挑模型，最终选出来的必然是那个最保守、最平滑、最不出错的——这恰恰是你不想看到的结果。我个人的经验是，遇到这类任务，把 PSNR 和 SSIM 放在"参考项"里，真正做决策的还是 LPIPS 和 FID。

3. LPIPS：把"像不像"的判断交给深度特征

LPIPS（Learned Perceptual Image Patch Similarity）是我个人认为近几年最实用的一个感知指标。它做的事情很朴素：既然人眼看图靠的是大脑的深层特征，那我们就用训练好的深度网络提取特征，在特征空间里比距离。这个思路一出来，"指标高但人眼觉得差"的矛盾就缓解了不少。

3.1 核心思想：特征空间的加权 L2

LPIPS 的计算流程可以拆成四步。第一步，把两张图送进一个预训练网络（通常是 AlexNet 或 VGG16）。第二步，在网络的若干中间层分别提取特征图，每一层都做通道维度的 L2 归一化，这一步很关键，目的是让不同层的激活尺度可比。第三步，对每一层的特征差取平方，在通道维求平均，再乘一个可学习的权重 w_l，最后对空间位置求平均。第四步，把所有层的分数加起来，得到最终距离。

公式的样子大概是这样：

d(x, x0) = Σ_l (1 / (H_l * W_l)) * Σ_hw || w_l ⊙ (ŷ_l^hw - ŷ0_l^hw) ||²

那个 w_l 不是拍脑袋定的，而是在一个带人类主观判断的数据集上训练出来的。也就是说，LPIPS 的"感知"并不是玄学，它是从大量真实的人类二选一标注里学出来的，这也是它能和主观打分保持较高相关性的原因。

3.2 骨干网络选择与版本差异

官方实现里有三个 backbone 可选：alex、vgg、squeeze。我在不同项目里都试过，体感差异挺明显：AlexNet 版本速度快、显存占用小，适合大规模批量评测，但灵敏度略低；VGG 版本对纹理和细节的变化更敏感，数值区分度更好，代价是慢得多、显存吃紧；SqueezeNet 版本适合嵌入式或者大批量场景，精度排在前两者之间。

还有一个必须注意的版本差异：LPIPS 有 0.1 和 1.0 两个版本，权重完全不同，算出来的数值不能混着比。我在一次跨组协作时就遇到过这个坑——对方用 0.1，我用 1.0，两边报告同一个方法的 LPIPS 差了将近 0.1，讨论了半天才发现是版本不一致。从那以后，我要求所有评测脚本在日志里打印 backbone 名字和 version：

import lpips import torch # 明确指定 backbone 和 version，别用默认值糊过去 lpips_fn = lpips.LPIPS(net='alex', version='0.1').eval().cuda() def to_lpips_input(tensor_01): # LPIPS 期望 [-1, 1]，必须先做线性变换 return tensor_01 * 2.0 - 1.0 with torch.no_grad(): dist = lpips_fn(to_lpips_input(pred), to_lpips_input(gt)) print("lpips =", float(dist.mean()))

3.3 实操：归一化、reduction、显存控制

归一化这个点特别容易错。LPIPS 内部是按 [-1,1] 的输入设计的，如果你直接把 [0,1] 的张量塞进去，数值会系统性偏移。我做过对比测试，同一批数据，不归一化时 LPIPS 平均偏高约 0.03 到 0.06，虽然排序上未必翻车，但跨实验对比就全废了。所以这一行* 2 - 1千万别省。

reduction参数也值得一提。默认是mean，返回标量；如果你想分析每张图的分布、找异常样本，就设成none，拿到逐图分数后再自己统计中位数和分位数。我在做错误分析时特别依赖这个，因为平均 LPIPS 会把少数极差的样本淹没掉，而这些样本往往才是问题所在。

显存控制方面，VGG backbone 在 256×256 分辨率下，batch size 开到 16 就可能爆显存。我的做法是把评测拆成小 batch，用一个DataLoader流式处理，实时累加分数，这样无论多少张图都不会 OOM。代码结构大致如下：

def batch_lpips(pred_loader, gt_loader, net='alex', bs=16): fn = lpips.LPIPS(net=net, version='0.1').eval().cuda() total, count = 0.0, 0 with torch.no_grad(): for p, g in zip(pred_loader, gt_loader): p = (p.cuda() * 2 - 1) g = (g.cuda() * 2 - 1) d = fn(p, g).mean().item() total += d * p.size(0) count += p.size(0) return total / count

3.4 LPIPS 的局限

LPIPS 也不是万能的。它依赖 ImageNet 预训练特征，所以对训练分布之外的图像（医学影像、遥感、显微镜图）泛化性会打折扣。我试过用它评估病理切片，发现数值区分度很差，同类样本之间的 LPIPS 波动比不同方法之间的差距还大，这种情况下就不能硬用了。

另一个问题是它对全局色调变化的敏感度偏高。一张图整体调暖一点，感知上可能更讨喜，但 LPIPS 会明显变大。所以如果你的任务本身包含色彩风格调整，报告 LPIPS 时要额外说明，最好再配一张主观对比图。我的惯例是 LPIPS 加 SSIM 组合报告，一个看感知一个看结构，两个一起看才能判断模型是真进步还是只是换了个失真类型。

4. IS 与 FID：生成模型的分布级体检

聊完逐对比较，就要进入分布比较的领域了。IS 和 FID 是生成模型圈子里出现频率最高的两个数，但它们也是最容易被误用、被过度解读的两个数。我把它们的原理、实操细节和那些没人明说的坑一起摆出来。

4.1 IS 的设计初衷与它的历史包袱

IS（Inception Score）的思路是：一张好的生成图，应该能被分类器以很高的置信度归到某一类（清晰、可辨识），同时在一个 batch 里，生成的类别分布应该足够分散（多样）。它用 Inception 网络输出的类别概率 p(y|x) 来量化这两件事：

IS = exp( E_x [ KL( p(y|x) || p(y) ) ] )

KL 散度衡量的是"单张图的类别分布"和"整个 batch 的边缘类别分布"之间的差异。单图越自信、整体越分散，KL 越大，IS 越高。听起来挺合理，但它的毛病也很明显。

第一个问题是它只关心"能不能被分类器认出来"，不关心"像不像真的"。一个把纹理做得极其夸张但类别特征明显的模型，IS 可能很高。第二个问题是它对类别分布极度敏感：如果 ImageNet 的类别本身不均衡，或者你的数据集不是 ImageNet 那 1000 类，IS 就失去了可比性。第三个也是我印象最深的一点，IS 只能在同一模型的不同训练阶段横向对比，跨数据集、跨论文的 IS 数值几乎没有可比性。见过不少论文写"我们的 IS 达到 8.7，超过某基线"，但如果两者的数据规模和预处理不同，这个对比是站不住的。所以我现在的态度是：IS 可以报，但不要作为主要论据。

4.2 FID 的数学本质与直觉

FID（Fréchet Inception Distance）是我个人认为目前最靠谱的单个分布级指标。它的做法是：把真实图和生成图分别送进 Inception 网络，取池化层输出（通常是 2048 维的特征向量），假设这两组特征分别服从多元高斯分布，然后计算两个高斯分布之间的 Fréchet 距离，也叫 2-Wasserstein 距离：

FID = ||μ_r - μ_g||² + Tr( Σ_r + Σ_g - 2 * (Σ_r Σ_g)^(1/2) )

公式里 μ 是特征均值，Σ 是协方差矩阵。第一项衡量两个分布的中心距离，第二项衡量形状（协方差）的差异。这个设计的巧妙之处在于，它同时考虑了均值和协方差，而不仅仅是类别概率，所以比 IS 稳定得多，也更能反映生成分布的整体形态。

用生活化的比喻：把真实图像集和生成图像集各想象成一团在 2048 维空间里的点云。FID 就是问"这两团云的中心离多远，形状差多少"。中心对齐、形状相似，FID 就小。

4.3 FID 实操细节清单

FID 的计算看起来就是调个库，但细节决定结果可信度。我整理了一份自查清单，每次跑评测都会过一遍：

我最常推荐的是pytorch-fid，命令行直接可用：

python -m pytorch_fid path/to/real_images path/to/fake_images \ --batch-size 50 \ --dims 2048 \ --device cuda:0

如果你需要更精细的控制、或者要复现论文里的数值，我更推荐clean-fid，它支持 resize 抗锯齿等细节，能显著降低实现差异带来的偏差。实测下来，同一个模型在两种实现下的 FID 可能差 2 到 5，对于本来差距只有 1 到 2 的两个方法来说，这个误差足以颠倒结论。所以我现在的做法是：所有对比都在同一套实现下跑，在论文里写清楚用的是哪个库、哪个版本。

4.4 FID 的常见误用与替代方案

FID 最常见的误用有三个。第一是样本量太小。我见过用 2000 张图算 FID 然后声称提升 0.3 的，这在统计上毫无意义。第二是预处理不一致，比如真实集用 bicubic 而生成集用 nearest，这种对比是无效的。第三是把 FID 当成唯一指标，忽略了它本身也是基于 Inception 特征的，对纹理和细节的感知有限。

替代或补充方案里，我觉得值得关注的是 KID（Kernel Inception Distance），它用最大均值差异代替高斯假设，不做分布假设，在小样本下更稳健，而且是无偏估计，不需要靠样本量来压方差，代价是计算慢一些。如果你手上的评测集规模上不去，KID 是比 FID 更诚实的选择。

5. Precision 与 Recall：把"质量"和"多样性"拆开看

FID 把质量压缩成一个数，方便是方便，但信息损失也大。同一批生成结果里，"每张都还行但都差不多"和"有几张惊艳但大量崩坏"可能得到相近的 FID。这就是 Precision 和 Recall 的价值所在。

5.1 FID 一个数的失效场景

举个我实际遇到的例子。我们训练了两个生成模型 A 和 B，A 的 FID 是 12.3，B 是 12.5，按常规判断 A 更好。但我们抽查生成样本时发现，A 生成的图几乎清一色是同一类物体、同一个姿态，变化极少；B 虽然偶有崩坏，但覆盖的种类明显更广。这种差异，FID 是表达不出来的，因为它只看整体分布的均值和协方差，模式坍塌（mode collapse）程度只要不极端，对 FID 影响就有限。

Precision 和 Recall 正好补上这块。它们的设计借鉴了分类任务里的精度和召回率：Precision（有时也叫 fidelity）衡量生成的样本有多少落在真实分布内，Recall（有时也叫 diversity）衡量真实的分布有多少被生成覆盖了。一个高 Precision 低 Recall 的模型，就是典型的"质量还行但不够多样"。

5.2 流形估计的实现方式

目前最常用的实现思路是 Kynkäänniemi 那套基于 KNN 的流形估计，大意有三步。第一步，对真实集和生成集分别提取特征（一般还是 Inception 特征）。第二步，对真实集里的每个样本，找到它到第 k 个最近邻的距离，以此作为该点的半径，把半径内区域视为"真实流形"的一部分；生成集做同样的处理。第三步，判断一个生成样本是否落在真实流形内（即它到真实集中某个点的距离小于该真实点的半径），是则计入 Precision；反过来判断真实样本是否被生成流形覆盖，是则计入 Recall。

import torch def manifold_precision_recall(feat_real, feat_gen, k=3): # feat_real, feat_gen: [N, D]，建议先做 L2 归一化 def knn_radius(feat): d = torch.cdist(feat, feat) d.fill_diagonal_(float('inf')) radius, _ = d.topk(k, largest=False) return radius[:, -1] # 第 k 近邻距离 r_real = knn_radius(feat_real) r_gen = knn_radius(feat_gen) d_cross = torch.cdist(feat_gen, feat_real) precision = (d_cross <= r_real.unsqueeze(0)).any(dim=1).float().mean() d_cross2 = torch.cdist(feat_real, feat_gen) recall = (d_cross2 <= r_gen.unsqueeze(0)).any(dim=1).float().mean() return precision.item(), recall.item()

这段代码是个简化版，实际用的时候要注意几点：特征维度一般不用 2048 那么高，降到 64 或 128 维再做 KNN 效果更好，也有利于计算；k 的取值会明显影响结果，我一般取 k=3 到 k=5，并在论文里注明；样本量大时cdist会吃掉大量显存，需要分块计算。这些细节看起来琐碎，但换一组参数，Precision 可能就有 0.05 的差别，所以务必固定下来并写清楚。

5.3 怎么读这四个象限

把 Precision 和 Recall 画在一起看，判断逻辑会清晰很多。大致可以分成四档：

• 双高：生成图既真实又多样，这是最理想的情况。
• 高 Precision 低 Recall：图像质量好，但模式覆盖不足，典型的过拟合到简单模式。
• 低 Precision 高 Recall：覆盖了真实分布的大范围，但混入了不少不像真的样本。
• 双低：模型没训好，或者评测流程有问题，先回头查代码。

我在实际调参时常用这两个指标定位问题。如果发现 Recall 一直上不去，通常是训练时的多样性约束不够，或者采样温度设得太低；如果 Precision 偏低，往往是生成细节不够锐利，或者噪声水平估计出错。这个诊断过程比盯着 FID 数字猜问题高效得多。需要提醒的是，Precision/Recall 的绝对值受 KNN 参数和特征提取方式影响很大，通常跨论文不可比，只在同一套实现内部做相对比较才有意义。

6. 搭一套可复现的评测流水线

指标算得对不对，一半取决于实现，一半取决于流程。我自己踩过的坑里，有相当一部分不是算法问题，而是数据对齐、预处理、文件名错位这些"工程事故"。所以我特别想把这一套流程固化下来。

6.1 数据准备与对齐的规范

配对的评测任务里，最要命的问题是图对错位。我在一个超分项目里曾经因为文件名排序不一致，导致 1000 张图里有 30 多对出现了错配，算出来的 PSNR 比实际低了近 2dB，排查了一整天才发现问题。从那之后我固定了几条规矩：

• 生成图和真值图使用完全相同的文件名，包括扩展名之外的每一个字符。
• 评测前先做一次交叉检查，断言两个目录下的文件名集合完全一致：

import os def assert_aligned(pred_dir, gt_dir): exts = ('.png', '.jpg', '.jpeg', '.bmp') pred = sorted(f for f in os.listdir(pred_dir) if f.lower().endswith(exts)) gt = sorted(f for f in os.listdir(gt_dir) if f.lower().endswith(exts)) assert len(pred) > 0, "生成目录为空" assert pred == gt, ( f"文件名不一致: 仅生成 {set(pred)-set(gt)}, " f"仅真值 {set(gt)-set(pred)}" ) print(f"对齐检查通过，共 {len(pred)} 对")

• 统一存储格式，避免同一个数据集里混用有损和无损压缩。JPEG 的压缩伪影会直接污染 PSNR 和 SSIM，我一般全部转成 PNG 或者高质量的 WebP。

对于没有配对的生成任务，规范重点转向样本量和抽样方式。真实集和生成集都要有足够规模，而且要避免"挑好看的生成图去评测"这种自欺欺人的行为。我习惯在评测前固定一个随机种子，从全部生成结果里无放回抽样，这样结果可复现，也经得起质疑。

6.2 一套可复现的评测脚本结构

我的脚本一般拆成三层：数据层负责读图、转格式、转张量；指标层每个指标一个纯函数，输入统一是 [0,1] 的 float32 张量，输出标量或逐图数组；汇总层负责汇总、导出 CSV 和打印报告。这种分层的好处是指标可以随意组合，新增一个指标不用改数据层。

import numpy as np import torch from skimage.metrics import peak_signal_noise_ratio, structural_similarity class Metrics: def __init__(self, lpips_fn=None): self.lpips_fn = lpips_fn self.reset() def reset(self): self.records = [] def add(self, name, pred, gt): # pred / gt: [H, W, 3] float32 [0, 1] assert pred.shape == gt.shape, f"形状不一致: {pred.shape} vs {gt.shape}" assert pred.max() <= 1.0 + 1e-6 and pred.min() >= -1e-6, "取值范围错误" p255, g255 = pred * 255.0, gt * 255.0 psnr = peak_signal_noise_ratio(g255, p255, data_range=255.0) ssim = structural_similarity( g255, p255, channel_axis=2, data_range=255.0, gaussian_weights=True, sigma=1.5 ) self.records.append({'name': name, 'psnr': psnr, 'ssim': ssim}) def summary(self): keys = ['psnr', 'ssim'] out = {} for k in keys: vals = np.array([r[k] for r in self.records], dtype=np.float64) out[k] = { 'mean': vals.mean(), 'median': np.median(vals), 'std': vals.std(), 'min': vals.min(), 'max': vals.max(), } return out

我特意在add里加了断言，两次都救过我：一次是有人把已经归一化的图又乘了一次 255，一次是把 BGR 当 RGB 传进来。断言的成本几乎为零，收益却很大。

关于报告，我的习惯是同时给均值和分布信息。只报平均值会让异常样本消失，所以我会额外输出中位数、标准差以及 5% 分位数。如果一个方法的均值不错但 5% 分位数很差，说明它存在明显的失败样本，这在真实应用中往往是致命的。

6.3 结果呈现与对比表的写法

最后一步是把数字变成结论。我比较喜欢用这种表格：

箭头方向一定要标，PSNR 和 SSIM 是越大越好，LPIPS 和 FID 是越小越好，标错方向会被认为不专业。另外数值一般保留两到三位小数，PSNR 两位就够，再多的小数位是噪声不是精度。如果不同方法的差距小于标准差，那就老实说"差异在噪声范围内"，不要硬凑结论。

7. 常见问题排查与踩坑实录

这一节是我这些年积累的问题清单，基本覆盖了 90% 的"指标不对"情况。遇到异常时我会对照这张表逐条排查，通常十分钟内能定位到原因。

7.1 数值异常速查表

7.2 几个我踩过的坑

第一个坑是版本漂移。有一次我隔了三个月重跑同一个脚本，LPIPS 数值整体高了 0.02，查了半天发现是依赖库升级后默认 backbone 的加载方式变了。从那以后，我把所有评测依赖的版本号写进requirements.txt，并且在输出报告里打印版本信息。

第二个坑是Inception 特征的输入尺度。FID 的实现里，Inception 网络对输入是有明确要求的，有些库内部会帮你做缩放和归一化，有些不会。混用两种实现导致特征分布不一致，FID 数值直接差 3 以上。我的做法是统一到一套实现，并且在对比实验里绝不换库。

第三个坑是分辨率对指标的影响。同一个模型，在 128×128 上评测和在 256×256 上评测，PSNR 和 LPIPS 都可能出现明显差异，因为上采样会引入额外的平滑。所以跨分辨率的对比基本没有意义，要对比就得在同一分辨率下评测。我在论文里会专门写一句"所有评测均在 X 分辨率下完成"，避免歧义。

第四个坑是只看平均值。早期我做模型选择时只看平均 LPIPS，结果选出的模型在部分样本上崩得很厉害。后来改成同时看中位数和 95% 分位数，选出来的模型在实际使用中体验好很多。这个教训挺值钱的：指标是给人做决策用的，不是用来贴标签的，多看几个分位数，你才能知道模型到底在什么情况下会失败。

如果你现在正准备给自己的一套结果做评测，我的建议是先把 PSNR、SSIM、LPIPS 这条全参考链路跑通，确认数据对齐和预处理没问题，再去碰 FID 和 Precision/Recall 这类分布级指标。因为全参考指标的错位问题肉眼就能看出来，是最容易验证的锚点；一旦这套流程可信了，往上叠加分布级指标就只是工程量的问题了。