在目前超分辨率的论文中不使用MSE，而使用L1或者Perceptual loss的原因是什么？

L2损失的一些缺点：

1. L2损失对大的error有强的惩罚，对小的error的惩罚低，忽略了图像内容本身的影响。实际上人眼视觉系统（HVS）对图像中的无纹理区域的亮度和颜色变化更敏感。而目前使用的感知域损失，即Perceptual loss，个人认为在得到感知域内容的过程中，对图像的内容进行了一次提炼，因此在感知域空间中计算损失相当于结合图像内容的损失，会使得复原后的图像视觉效果上更好。
2. L2损失的收敛性能比L1要差。理论上说，L2损失是刷高PSNR指标的理想损失函数，但是具体在应用的时候，复原的性能还是要取决于损失函数的收敛性能。文章对L2损失和L1损失进行了比较，在训练中交换损失函数，查看收敛情况，得出了收敛性能的对比图：
   
   可以看到L1损失函数的收敛性能是优于L2损失函数的。

此外，文章也对不同的损失函数指导的模型的测试性能进行了对比，在超分辨率下：

MSE，是图像空间的内容“相似”，而在图像上普遍存在区域，其属于某个类别（老虎皮，草，渔网等），如果出现纹理或者网格，那么优化MSE很容易将这个区域磨平，即平滑。【直接对应评价指标MSE和MAE，以及PSNR，但是PSNR高不见得好，图像可能不自然。见文献2的图：PSNR/SSIM与感知质量(视觉效果)的一致性

L1，可忍受异常值，相较于MSE和L2是没有那么平滑一些的。Perceptual loss，是特征空间的类别/纹理“相似”。毕竟有学者认为深度卷积网络用于图像分类，利用的是物体的纹理差异。多尺度(MS)-SSIM，那就是图像空间的结构“相似”。在文献[1]中，就找到了MS-SSIM+L1的混合损失适合于图像复原。图像SR问题有两个主要方向，见文献[2]的图。其一为了实现更好的图像重建效果，即灰度/RGB复原；其二为了实现更好的视觉质量，即看起来“自然”。

[1] Loss Functions for Image Restoration with Neural Networks IEEE TCI 2017
[2] 2018 PIRM Challenge on Perceptual Image Super-resolution [[paper]]