focal-frequency-loss

频域聚焦损失，让生成图像细节更清晰

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署 图像生成 🍴 复刻 61 🐛 待处理 8 👀 关注 37
GitHub ↗
GitHub 星标 ★ 716
维护状态 低维护
是否开源 开源
定价模式 🏷️完全免费 开源项目，MIT许可证，完全免费，无付费版本。

项目预览

focal-frequency-loss 项目界面预览图
图片来源：GitHub 官方仓库名片

项目数据

分类图像生成
开发团队EndlessSora
GitHubhttps://github.com/EndlessSora/focal-frequency-loss
定价模式🏷️完全免费
价格说明开源项目，MIT许可证，完全免费，无付费版本。
访问状态🔧 仅开源项目，无在线服务，需自行部署
是否开源是
开源协议MIT
主要语言Python
技术栈/模型autoencoder,complementary,frequency-analysis,frequency-domain,gan,generative-adversarial-network,generative-models,generic,iccv2021,image-generation,image-reconstruction,image-synthesis,loss,loss-function,pix2pix,spade,stylegan2,variational-autoencoder
GitHub 星标★ 716
上线时间2020-12-22 00:00:00
代码更新2024-08-21
仓库体积5.0 MB
本站数据更新2026-11-10
维护状态低维护
收录时间2026-08-09
浏览次数3

项目介绍

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。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 716

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：高级 约 60 分钟 部署方式：本地安装 5 步

环境要求

  • GPU 显存 11G 以上
  • conda
  • 人脸数据集

安装与启动步骤

  1. 1建环境

    官方指定 Python 3.8。

    conda create -n ffl python=3.8.3 -y && conda activate ffl

  2. 2克隆

    先拉代码。

    git clone https://github.com/EndlessSora/focal-frequency-loss.git

  3. 3装依赖

    先装基础自编码器依赖。

    pip install -r VanillaAE/requirements.txt

  4. 4准备数据

    对齐人脸数据要预处理。

    bash scripts/datasets/prepare_celeba.sh [PATH_TO_IMG_ALIGN_CELEBA]

  5. 5跑对比实验

    带频域损失与不带各跑一次。

    bash scripts/VanillaAE/train/celeba_recon_w_ffl.sh

如何确认成功

带频域损失的重建结果在指标上优于基线。

注意事项

  • 核心贡献是把频域损失加进重建目标。
  • 脚本分训练、测试、指标三套，按顺序跑。

核心亮点

  • 基于频域分析，能精准捕捉高频细节，显著提升图像清晰度
  • 即插即用，可无缝替换或增强现有损失函数，兼容主流生成模型
  • 附有 ICCV 论文和示例代码，学术性强，易于复现

不足之处

  • 计算复杂度较高，对高分辨率图像可能增加训练开销
  • 需要调节频率权重等超参数，调参难度中等
  • 文档/社区待观察

适用场景

  • 图像超分辨率重建，提升细节锐度
  • 图像去噪与修复，恢复高频纹理
  • GAN 图像生成，改善生成样本的真实感

替代项目

Perceptual Loss (VGG-based)、StyleGAN2 的 Path Length Regularization、Focal Loss (用于分类，但可借鉴思想)

上一篇：finetuning-notebooks

下一篇：DDSM

同类项目推荐

DataMate 开源

一站式搞定大模型微调与RAG的数据处理，让数据准备不再拖后腿

DataMate is an enterprise-level data processing platform designed for model fine-tun···

★ 374 2026-08-09
RLAIF-V 开源

用开源反馈训练视觉模型，让AI不懂装懂时敢说“不知道”

[CVPR'25 highlight] RLAIF-V: Open-Source AI Feedback Leads to Super GPT-4V Trustwort···

★ 462 2026-08-09
CDM 开源

少步扩散蒸馏，让图像生成快如闪电

[NeurIPS 2026] Continuous-Time Distribution Matching for Few-Step Diffusion Distilla···

★ 156 2026-08-09
KDFlow 开源

一套配置跑通多种LLM蒸馏，小模型也能继承大模型能力

A user-friendly & efficient knowledge distillation framework for LLMs, supporting of···

★ 256 2026-10-07
model-optimization 开源

几行代码压缩模型，让大模型跑进手机和嵌入式设备

A toolkit to optimize ML models for deployment for Keras and TensorFlow, including q···

★ 1582 2026-10-17
DPO-Shift 开源

修正 DPO 分布偏移，让模型对齐更稳更准

DPO-Shift: Shifting the Distribution of Direct Preference Optimization

★ 59 2026-08-09
Flipped-Learning 开源

让模型先猜指令再作答，零样本效果更强

[ICLR 2023] Guess the Instruction! Flipped Learning Makes Language Models Stronger Z···

★ 116 2026-08-09
flame 开源

极简框架，快速训练线性注意力大模型

A minimal training framework for scaling FLA models

★ 426 2026-08-09
modalities 开源

PyTorch 原生分布式训练，配置化复现大模型实验

Modalities, a PyTorch-native framework for distributed and reproducible foundation m···

★ 112 2026-09-19