1 PSNRの概要
1.1 定義と基本概念
1.1.1 参照信号と評価対象の関係
PSNRは、劣化していない基準（参照）となる信号と、評価対象となる信号との差を数値化する指標である。画像なら参照は元画像、評価対象は復元画像や圧縮後画像などに相当する。音声や一般の信号でも同様に、同一の長さ・整合した対応関係をもつ2つの系列を比較し、誤差の大きさを算出する。
1.1.2 ピーク値と誤差の扱い
PSNRは、誤差の指標として平均二乗誤差（MSE）を用い、さらに分母に関わる誤差量を、分子側には「参照信号の最大振幅（ピーク値）」として定めた値で正規化する。ここでのピーク値は、信号の取り得る最大値や、符号化・量子化の前提に基づく最大値であることが多い。最終的には、誤差の大きさが対数尺度の比として表現される。
1.2 計算の考え方
1.2.1 平均二乗誤差（MSE）との関係
PSNRはMSEと直接結びついている。評価対象と参照との差分を二乗し、その平均をとったMSEを求め、そこからPSNRを計算する。誤差が小さくMSEが下がるほどPSNRは上昇し、逆に誤差が増えてMSEが大きくなるとPSNRは低下する。比較の中心は「二乗誤差の総量」であり、符号（正負）よりも大きさが支配的になる。
1.2.2 対数（デシベル）表現の意味
PSNRの単位はデシベル（dB）であり、比の対数で表す。MSEに対する変化が直感的な線形尺度と一致しない場合があるため、同じ増減でも「dB上ではどの程度の誤差低下に相当するか」を注意して読む必要がある。実務では、PSNR差が小さく見えても、誤差エネルギーの比としては無視できない場合がある。
1.2.3 画素値・サンプル値のスケーリング
信号をどのスケールで表すか（例：0〜1に正規化するか、0〜255の8bit範囲で扱うか）でピーク値が変わり、PSNRも変化する。したがって、比較や報告では「ピーク値の設定」や「入力の表現形式（正規化の有無）」が一致していることが重要になる。スケーリングは算式上のピーク値に影響し、結果として数値の互換性に差が出る。
1.3 解釈（高いほど良い？）
1.3.1 値の目安と実務上の読み方
一般にPSNRが高いほど、参照に対する二乗誤差が小さいことを示すため、画質が良好である可能性が高いと解釈されやすい。画像圧縮や復元のベンチマークでは、同一条件のもとでPSNR比較によって手法間の優劣を概観することが多い。ただし、具体的な閾値（例：数値がこの範囲なら十分に良い）を厳密に一般化するのは難しく、データセット、解像度、評価領域、符号化設定に依存する。
1.3.2 限界と誤解されやすい点
PSNRは二乗誤差を基礎にしているため、知覚に関連する特徴が必ずしも同じ方向に改善するとは限らない。例えば、見た目では気になる歪みが局所的に集中している場合、平均化したMSEは必ずしもその印象と一致しないことがある。さらに、ピーク値の取り方や正規化の有無が比較を歪める原因になり得るため、数値だけで結論を出すのではなく算出条件の確認が必要になる。
2 PSNRの計算方法
2.1 画像での一般的な算出
2.1.1 グレースケールの場合
2.1.1.1 ピクセル範囲と最大値の設定
グレースケール画像では、参照画像と復元画像の対応する画素値を用いて誤差を計算する。画素値が取り得る最大値を「ピーク値」として設定し、通常は量子化レベルや表現形式に応じて決める。例として、8bitの画像を0〜255で保持しているならピーク値は255とするのが一般的である。0〜1の浮動小数表現に正規化している場合はピーク値を1とする。
2.1.2 カラ―画像の場合
2.1.2.1 チャンネル別算出と統合
カラ―画像では、色チャネル（典型的にはR・G・B）ごとにPSNRを求め、結果を統合して単一値にする手法が用いられることが多い。統合は平均（チャネルごとのPSNRの単純平均）などの形をとる場合がある。別の方法として、全チャネルのMSEを一括で計算してからPSNR化する流儀もあるため、比較時にはどちらの方式かを確認する必要がある。
2.2 音声・信号への応用
2.2.1 時系列データでのMSEとピーク値
音声のような時系列信号でも、参照系列と評価系列の差を二乗して平均し、そこからPSNRを計算する。ピーク値は参照信号の最大振幅、あるいはデータ形式における最大のサンプル値として定義されることが多い。時間領域全体を対象にする場合と、フレームごとに区切って集計する場合がある。
2.2.2 サンプルの正規化の影響
音声データでは、同じ物理的な音量の波形でも、読み込み方法や前処理によってスケールが異なる場合がある。正規化の有無によりピーク値が変わり、結果としてPSNRが変化する。そのため、評価に用いる前処理（ゲイン、クリッピング、正規化係数）を固定し、参照・評価の両方に同一条件を適用することが望ましい。
2.3 実装上の注意
2.3.1 零誤差時の扱い（無限大の扱い）
参照と評価が完全に一致し、MSEが0になるとPSNRは理論上無限大になる。実装ではこの状況を検出して、無限大として扱うか、十分大きい値で代替するなどの方針を決める必要がある。集計や可視化では無限大が計算エラーや破綻の原因になり得るため、実装段階での整合が重要になる。
2.3.2 dtype（型）による丸め誤差
数値型（dtype）の違いは、誤差計算に微小な影響を与える可能性がある。例えば整数型で差分をとった後に二乗するとオーバーフローや丸めの扱いが問題になり得る。実務では計算前に浮動小数へキャストし、十分な精度でMSEを求めてからPSNRに変換する設計が安全である。
2.3.3 画素単位・量子化条件の整合
参照と評価が同じ量子化条件で作られていない場合、PSNRが比較可能でなくなることがある。例えば、異なるビット深度で保存された画像をそのまま比較すると、見かけのピーク値設定と実際の誤差の意味がずれる。対策として、比較に入る前に統一されたレンジへ変換する、またはビット深度とピーク値を算出式へ反映することが求められる。
3 PSNRの利用シーン
3.1 画像処理・圧縮での評価
3.1.1 画像圧縮方式の比較
画像圧縮では、同一ビットレートや同等の圧縮設定下で復元画像を得て、参照との差をPSNRで比較することが多い。PSNRは算出が比較的容易で、再現性のある集計がしやすい点が実務上の利点になる。複数の圧縮手法を横並びに評価する際、まずPSNRで大まかな傾向を把握し、その後に他指標で知覚的側面を補う流れが一般的である。
3.1.2 復元画質の定量評価
復元（デノイズ、復元、補間など）では、参照が利用可能な場合にPSNRが定量評価として機能する。学術的な比較では、同一データセット、同一前処理、同一評価領域（クロップや境界除外など）を揃えることで、数値の意味が通りやすくなる。平均値に加えて、中央値や分布の提示を行うと手法の安定性が把握しやすい。
3.2 画質改善アルゴリズムの検証
3.2.1 デノイジング（ノイズ除去）
デノイジングでは、ノイズ付加の条件を既知として参照画像との誤差を測れることが多く、PSNRは改善度合いの指標として用いられる。ノイズが画素ごとに独立な仮定で設計されている場合、MSEベースの評価が比較的整合しやすい。一方で、視覚的に目立つ歪みの質感が異なる場合には、PSNRだけでは十分な判断材料にならないこともある。
3.2.2 超解像・補間
超解像や補間では、解像度を上げる過程で高周波成分が復元されるかが重要になる。PSNRは誤差の二乗平均であるため、細部の見え方が複雑に変化しても、数値上の改善が必ずしも比例しないことが起こる。とはいえ、学習や評価の初期段階ではPSNRが指標として扱いやすく、複数案の選別に用いられることが多い。
3.3 機械学習との関係
3.3.1 学習指標としてのPSNRの位置づけ
機械学習の分野では、PSNRは学習済みモデルの評価指標として用いられることが多い。学習時には別の目的関数を使い、検証の段階でPSNRを計算してモデル比較を行う構成がよく見られる。評価結果を解釈しやすくするため、学習・評価ともに同一の前処理とピーク値設定を保つことが重要である。
3.3.2 損失関数としての扱いと注意点
PSNRそのものを損失関数として直接使う方法も理論上可能だが、対数やMSEとの関係により最適化挙動が変わる。特に勾配の性質は学習の安定性に影響し得るため、実務ではMSEやL1などを損失に採用し、PSNRは評価として使うケースが多い。加えて、入力レンジやピーク値を損失の定義へ含めるかどうかで学習の見通しが変わる点にも留意が必要になる。
4 PSNRの限界と補完指標
4.1 知覚品質との乖離
4.1.1 同じPSNRでも見え方が異なる理由
PSNRは誤差の平均二乗を中心に捉えるため、同じ数値でも誤差の「どこに」「どのように」現れているかが区別されない。視覚では局所的なコントラスト変化やエッジ近傍の崩れが印象を左右するが、二乗平均はそうした構造の情報を捨象する。その結果、数値上は近いが見た目の評価が分かれる状況が生じる。
4.1.2 テクスチャとエッジの評価の難しさ
テクスチャの細かなパターンや輪郭のシャープさは、知覚的な重要度が高い一方で、単純なMSEには表れにくい場合がある。たとえば、わずかなブレや過度な平滑化はMSEを必ずしも大きくしないことがあり、PSNRのみだと過剰平滑化を見逃す余地がある。したがって、エッジや局所構造を重視する補助指標の導入が検討される。
4.2 補助指標の例
4.2.1 SSIM（構造の類似性）
SSIMは、輝度、コントラスト、構造の観点から参照と評価の類似度を測る指標である。局所統計を利用するため、誤差の平均量だけでなく、画像の構造変化に敏感になりやすい。PSNRと併用することで、二乗誤差の観点と知覚の観点のギャップを埋める意図がある。
4.2.2 MS-SSIMと多尺度の考え方
MS-SSIMは、複数のスケールでSSIMを計算し、異なる解像度の情報をまとめて評価する考え方に基づく。細部と大域の両方の品質を見たい場合に適しており、構造の保持や劣化の局在をより広い視点で捉えることを狙う。PSNRが数値として改善しても視覚的に違和感が残る場合の分析に役立つことがある。
4.2.3 LPIPSなど学習型指標の位置づけ
LPIPSのような学習型指標は、特徴表現（ニューラルネットワークが抽出する埋め込みなど）に基づいて知覚距離に近い量を推定しようとする。参照との差を人間の見えに近づける設計があり、PSNRやSSIMとは異なる側面を測る。学習データやモデル依存性があるため、用途に合わせた妥当性確認が必要になる。
4.3 評価設計の実務
4.3.1 データセット選定と再現性
評価の信頼性はデータセットの選び方に左右される。参照画像の種類、解像度、撮影条件、前処理の一貫性が結果に影響し得る。再現性を確保するため、学習や評価の分割方針、生成した劣化条件（ノイズモデル、圧縮設定など）、評価範囲（境界除外やクロップ）を明示することが重要である。
4.3.2 統計（平均・分散）での報告方法
PSNRは画像（またはサンプル）の集合に対して計算し、平均値だけでなく分散や分布を示すと解釈が安定する。特定の難しい画像で失敗した場合、平均値への影響の仕方が分散に表れるため、手法の頑健性を把握しやすくなる。複数指標（PSNR、SSIM、学習型指標）を併記する場合は、算出条件と集計手順を揃え、数値の整合性を崩さない設計が求められる。