关于文章中with perceptual loss，以及数据集中GT Mean

[climberwu]

请问，论文中的with perceptual loss是如何使用呢，数据集中GT Mean是在哪里获取呢？？？

[Fediory]

请参考measure.py中的这段代码。
mean_restored = cv2.cvtColor(im1, cv2.COLOR_RGB2GRAY).mean()
mean_target = cv2.cvtColor(im2, cv2.COLOR_RGB2GRAY).mean()
im1 = np.clip(im1 * (mean_target/mean_restored), 0, 255)
这只是一个measure trick，目的是为了将图像亮度与GT矫正后，来对比颜色细节和结构信息。

[Fediory]

对于Perceptual Loss，请参考train.py中的
P_loss = PerceptualLoss({'conv1_2': 1, 'conv2_2': 1,'conv3_4': 1,'conv4_4': 1}, perceptual_weight = P_weight ,criterion='mse').cuda()

[Fediory]

因为LOLv1数据集包含更少的图片，因此一些细微的亮度差异会导致指标大幅波动。我们更建议在LOLv1上使用GT mean，而其它数据集中保持原本的测试标准。

[climberwu]

大佬，请问您的论文里面有对每个数据集的都是进行了normal和GT mean进行实验，这两个是输入哪个超参数进行训练呢？？？
我训练得到的结果都是nromal的结果，暂时无法进行GT mean进行实验，想向您请教一下

[Fediory]

GT mean是一个指标测试选项，所以只需要在measure.py中使用GT mean就可以。
python measure.py --lol --use_GT_mean