142、客观指标深度解析：PSNR/SSIM/VIF/LPIPS/NIQE的适用场景

142、客观指标深度解析：PSNR/SSIM/VIF/LPIPS/NIQE的适用场景

去年夏天，我在调试一款车载环视系统的拼接算法。产线反馈说PSNR从38dB降到了35dB，质量部门直接亮红灯。我盯着那组数据看了半天，又去看了实车采集的拼接图——人眼看起来明明比之前更自然，拼接缝几乎不可见。这就是典型的“指标骗人”案例。后来我花了三周时间，把五个常用客观指标的数学本质和适用边界重新梳理了一遍，今天把这笔账算清楚。

PSNR：最老实的指标，也是最容易误导人的

PSNR的全称是峰值信噪比，本质就是MSE取对数。它的计算逻辑极其简单：逐像素比较，差异越大分数越低。这个指标在图像压缩领域被用了三十年，因为压缩前后的像素级误差确实能反映编码失真。

但PSNR有个致命缺陷：它完全无视图像的结构信息。你把一张图整体向右平移一个像素，PSNR会暴跌到十几dB，但人眼根本看不出区别。我在做手机夜景降噪时遇到过更离谱的情况：算法把噪点磨平了，PSNR从32dB涨到36dB，但人眼看起来像油画，细节全没了。PSNR只认像素差异，不认纹理、边缘、对比度这些感知要素。

适用场景：压缩编码质量评估、图像重建的基准测试、需要严格像素保真的医疗影像（比如CT重建）。不适用场景：任何涉及感知质量优化的任务，尤其是降噪、超分、HDR合成。

SSIM：结构相似性的妥协方案

SSIM比PSNR聪明了一点，它引入了亮度、对比度、结构三个维度的比较。核心思想是：人眼对结构信息的敏感度远