一种通用且自适应的鲁棒损失函数

该目录包含论文 一种通用且自适应的鲁棒损失函数 Jonathan T. Barron CVPR, 2019 的参考代码。

代码使用 PyTorch 实现，是对 TensorFlow 实现的移植，原 TensorFlow 实现位于： https://github.com/google-research/google-research/tree/master/robust_loss。

安装

常规安装

pip install git+https://github.com/jonbarron/robust_loss_pytorch

开发模式

git clone https://github.com/jonbarron/robust_loss_pytorch
cd robust_loss_pytorch/
pip install -e .[dev]

之后可以在项目根目录下运行测试：

nosetests

使用

要使用此代码，请导入 lossfun 或 AdaptiveLossFunction 并调用相应的损失函数。general.py 实现了“通用”形式的损失函数，假设用户已准备好自行设置和调整超参数；而 adaptive.py 实现了“自适应”形式的损失函数，它会尝试自动调整超参数，并支持在不同的图像表示中施加损失。自适应损失背后的概率分布实现在 distribution.py 中。

from robust_loss_pytorch import lossfun

或者

from robust_loss_pytorch import AdaptiveLossFunction

一个关于如何使用此代码的示例可在 example.ipynb 中找到。

引用

如果您使用此代码，请引用以下文献：

@article{BarronCVPR2019,
  Author = {Jonathan T. Barron},
  Title = {A General and Adaptive Robust Loss Function},
  Journal = {CVPR},
  Year = {2019}
}

robust_loss_pytorch 快速上手指南

环境准备

• 操作系统：Linux / macOS / Windows
• Python 版本：建议 Python 3.6+
• 核心依赖：
  • PyTorch (已安装)
  • NumPy
  • SciPy
• 开发可选依赖（如需运行测试）：nose

安装步骤

方式一：标准安装（推荐）

直接通过 pip 从 GitHub 安装最新稳定版：

pip install git+https://github.com/jonbarron/robust_loss_pytorch

提示：国内用户若下载缓慢，可配置 pip 使用国内镜像源（如清华源）加速：

pip install git+https://github.com/jonbarron/robust_loss_pytorch -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：开发模式安装

如需修改源码或运行测试，请克隆仓库并安装：

git clone https://github.com/jonbarron/robust_loss_pytorch
cd robust_loss_pytorch/
pip install -e .[dev]

安装完成后，可在项目根目录运行测试：

nosetests

基本使用

该库提供两种主要用法：手动调节超参数的通用形式 (lossfun) 和自动适应超参数的自适应形式 (AdaptiveLossFunction)。

1. 导入模块

# 使用通用损失函数（需手动设置超参数）
from robust_loss_pytorch import lossfun

# 或使用自适应损失函数（自动调整超参数）
from robust_loss_pytorch import AdaptiveLossFunction

2. 简单示例

以下是使用 lossfun 计算损失的最小化示例：

import torch
from robust_loss_pytorch import lossfun

# 模拟残差数据 (batch_size, channels, height, width)
residuals = torch.randn(4, 3, 64, 64)

# 定义超参数
alpha = torch.tensor(1.5)  # 形状参数
scale = torch.tensor(1.0)  # 尺度参数

# 计算鲁棒损失
loss = lossfun(residuals, alpha, scale)

print(loss.mean())

如需更复杂的自适应用法或多图像表示支持，请参考项目中的 example.ipynb 笔记本或 adaptive.py 源码。