频域聚焦损失，让生成图像细节更清晰
Focal Frequency Loss 是一个基于频域分析的图像重建与合成损失函数库，来自 ICCV 2021 论文。它解决的是生成模型（如 GAN、自编码器）在像素空间或常用感知损失下难以捕捉高频细节、导致生成图像模糊或纹理失真的问题。核心能力是将图像转换到频域，通过频谱图上的局部对比，动态聚焦于难以重建的频率分量，并利用一个可学习的空间掩码来平衡不同频率和位置的权重。该损失函数可即插即用地替换或补充现有损失（如 L1、L2、Perceptual Loss），显著提升图像超分辨率、去噪、修复、风格迁移等任务的细节保真度。项目提供了简洁的 PyTorch 实现，并附带论文复现示例，方便研究者快速集成到自己的模型中。
Perceptual Loss (VGG-based)、StyleGAN2 的 Path Length Regularization、Focal Loss (用于分类，但可借鉴思想)
focal-frequency-loss 是模型训练领域的开源项目，由 EndlessSora 开发，2020 年首次发布。
它收录于模型训练分类，该分类目前共有 522 个项目，GitHub 星标数为 715。
项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-21。MIT许可证，完全免费，无付费版本。
它主要面向的使用场景是：图像超分辨率重建，提升细节锐度。同类可对比的替代方案包括 Perceptual Loss (VGG-based)、StyleGAN2 的 Path Length Regularization、Focal Loss (用…。
下一篇：DDSM
Long-RL
开源
让强化学习轻松驾驭超长序列，训练更稳更快
Long-RL: Scaling RL to Long Sequences (NeurIPS 2025)
TPA
开源
把注意力复杂度从平方降到线性，长序列不再卡顿
[NeurIPS 2025 Spotlight] TPA: Tensor ProducT ATTenTion Transformer (https://arxiv.or···
minimind
开源
两小时造出你的小模型，练手入门不求人
Train a 64M-parameter LLM from scratch in just 2h!
pruna
开源
一键优化 AI 模型，推理提速又省资源。
Pruna is a model optimization framework built for developers, enabling you to delive···
