概念均方误差 / Mean Squared Error / L2损失
MSE损失
机器学习中最常用的回归损失函数，计算预测值与真实值差值的平方均值，对应高斯噪声假设，对异常值较为敏感
时间轴 (近 90 天)
9月12日
从第160轮到第290轮，MSE损失从0.0690降至0.0652，130个epoch内仅下降约0.006
待验证50%
9月12日
MSE损失倾向于产生模糊结果以最小化像素级误差，而感知损失（LPIPS）能更好地衡量视觉相似度
待验证50%
机器学习中最常用的回归损失函数，计算预测值与真实值差值的平方均值，对应高斯噪声假设，对异常值较为敏感
从第160轮到第290轮，MSE损失从0.0690降至0.0652，130个epoch内仅下降约0.006
MSE损失倾向于产生模糊结果以最小化像素级误差，而感知损失（LPIPS）能更好地衡量视觉相似度