MSE
评估估计器精度的常用指标，定义为估计值与真实值之差的平方的期望，可分解为偏差平方与方差之和。
时间轴 (近 90 天)
许多被提出的新目标函数相较于经过充分调优的 MSE 基线，提升要么有限，要么并不稳定
MSE 隐式地假设同方差（误差方差处处相等），这在实际表格数据中往往不成立
分位数损失相比 MSE 对异常值更鲁棒，并能隐式刻画预测误差的非对称性
分位数损失相较 MSE 在所测试的各种骨干网络上都能带来稳定的整体性能提升
PSNR 的计算公式为 PSNR = 10 · log₁₀(MAX² / MSE)，其中 MAX 对 8 位图像通常取 255
使用像素级损失函数（L1+MSE）训练学生模型导致画面发灰、发平，像是所有可能结果的平均值，这是回归类损失在生成任务上的经典失败模式
该研究指出MSE训练并不会产生速度幅值缺口，模型学到的速度大小本身没有系统性偏小
此前的主流观点认为用均方误差（MSE）训练出的速度场会系统性地低估速度幅值，速度缩放是对这一误差的修正
传统信号处理中去噪与解码常解耦优化，MSE 最小化倾向于产生过度平滑的输出，可能抹去对解码重要的细微频率特征
全部知识事实 (9)
许多被提出的新目标函数相较于经过充分调优的 MSE 基线，提升要么有限，要么并不稳定
50%待验证MSE 隐式地假设同方差（误差方差处处相等），这在实际表格数据中往往不成立
50%待验证分位数损失相比 MSE 对异常值更鲁棒，并能隐式刻画预测误差的非对称性
50%待验证分位数损失相较 MSE 在所测试的各种骨干网络上都能带来稳定的整体性能提升
50%待验证PSNR 的计算公式为 PSNR = 10 · log₁₀(MAX² / MSE)，其中 MAX 对 8 位图像通常取 255
50%待验证使用像素级损失函数（L1+MSE）训练学生模型导致画面发灰、发平，像是所有可能结果的平均值，这是回归类损失在生成任务上的经典失败模式
50%待验证该研究指出MSE训练并不会产生速度幅值缺口，模型学到的速度大小本身没有系统性偏小
50%待验证此前的主流观点认为用均方误差（MSE）训练出的速度场会系统性地低估速度幅值，速度缩放是对这一误差的修正
50%待验证传统信号处理中去噪与解码常解耦优化，MSE 最小化倾向于产生过度平滑的输出，可能抹去对解码重要的细微频率特征
50%