作者你好，感谢你为社区所做的开源工作，关于在训练插帧模型的损失函数方面 有些问题想向你请教。
我目前采用的模型也是类似RIFE这种无预训练光流模块的插帧模型，实验发现：
1）用Laplacian Loss会使模型在小物体细节上建模得更好（比如滚动的字幕），但容易出现奇怪的光流错误；
2）用L1 Loss + Vgg Loss组合 则在插帧效果上更稳定，很大程度缓解了光流出错的概率，但在小物体细节上会有退化。
我的理解是LapLoss更让模型更关注于高频细节的建模，但忽略了低频信息。请问你怎么看待这两种损失的偏好，以及在Practical-RIFE中抛弃了LapLoss的原因？
此外，我试图融合这1）2）两种损失的优点（简单的加权融合），但发现模型貌似难以收敛（加权后的PSNR都低于 单独用其中一种损失），感觉两者之间似乎存在某种对抗？想请问你有何建议。
作者你好，感谢你为社区所做的开源工作，关于在训练插帧模型的损失函数方面 有些问题想向你请教。
我目前采用的模型也是类似RIFE这种无预训练光流模块的插帧模型，实验发现：
1）用Laplacian Loss会使模型在小物体细节上建模得更好（比如滚动的字幕），但容易出现奇怪的光流错误；
2）用L1 Loss + Vgg Loss组合 则在插帧效果上更稳定，很大程度缓解了光流出错的概率，但在小物体细节上会有退化。
我的理解是LapLoss更让模型更关注于高频细节的建模，但忽略了低频信息。请问你怎么看待这两种损失的偏好，以及在Practical-RIFE中抛弃了LapLoss的原因？
此外，我试图融合这1）2）两种损失的优点（简单的加权融合），但发现模型貌似难以收敛（加权后的PSNR都低于 单独用其中一种损失），感觉两者之间似乎存在某种对抗？想请问你有何建议。