医学图像生成中用到的损失（论文中摘录持续更新）2019-10-20

1、Unpaired Multi-contrast MR Image Synthesis Using Generative Adversarial Networks

（1）学习感知图像修补相似度( Learned Perceptual Image Patch SimilarityLPIPS)度量：[12]，该度量强制生成器学习从假图像中重构真实图像的反向映射，同时优先处理重建图像和真实图像之间的感知相似度
（2）对抗损失： regularized Wassersteing GAN with gradient penalty (WGAN-GP).正则化带梯度惩罚的Wassersteing GAN (WGAN-GP) 不仅能稳定学习，还能提高生成质量
（3）对比分类损失：Contrast Classification Loss它强制发生器产生正确对应的图像，并允许鉴别器对真假图像进行对比分类。
（4）结构差异损失： structural dissimilarity loss (DSSIM) 真实图像和重建图像之间施加patch的不相似度测度