这篇paper将巧妙地将四个loss函数结合在一起，其中每一个loss的功能不同。但这篇paper不够elegant的地方也是loss太多！在本文中，我采用散文的写作方法谈谈自己对这篇paper的理解，其实质就是“想到哪，写到哪！”

如上图所示，（a）输入图像；（b）用随机square模板遮住输入图像一部分；（c）复原得到的图像。理想状态下，我们希望复原出的图像与输入图像完全一致（视觉上 and 语义上）。哈哈，这个不是很简单吗，我们可以用L2范数regularize输入图像与输出图像，理想状态下，输入图像与复原出的图像完全一致！恭喜你，回答正确！作者也这样试了试，结果如Figure 3 （c）所示。

哎呀！理想与现实差距有点大哦！仔细观察一下Figure 3 （c），我们可以得出结论：复原结果模糊、复原得到的patch有点像、复原patch的边缘清晰可见。其实，这个也很好理解，L2范数倾向于去平均，这样会丢失很多高频、低频信息，使得图像较为模糊、细节丢失。简而言之，复原图像与真实图像差距有点大！换句话说，就是复原图像看起来不真实！

这时候我脑海中浮现出一个概念，GAN的判决器不就是判定随机噪声生成图像（或者patch）是否真实的吗？哈哈，我们可以把这个思路搬过来哦！如果判决器判断不出来复原的图像是否是原图，这不就表明，复原得到的图像与原始图像一致吗？当然了，L2 loss还是必须的（可以理解为一个多任务学习）。说干就干，我直接判断生成的patch的是否真实，于是得到了Figure 3 （d）。看起来比之前好多了哦！细细看来，发现这个图片不是很真实，生成的patch在整幅图像中显得不协调！

不要灰心！生成的patch在整幅图像中看起来不协调，换一种理解方式就是：整幅图像看起来不真实吗？索性我在上述两个loss的基础上，再加上一个生成的全局图像是否真实的判定。这样是不是就保证了生成的patch在整幅图像中看起来比较自然些呢？请看Figure 3 （f）美女的大致轮廓已经显现，看起来也自然的多了！

等等！对于我这个美女控来说，怎么允许美女的脸颊有褶皱呢，参看Figure 3 （f）？男的吧，我忍了！哈哈！怎么办呢？我已经耗尽脑汁了！在山重水复疑无路时，我脑海中忽然浮现出一句诗“横看成岭侧成峰”。于是，我决定大胆试试，遮住美女或者帅哥的一只眼睛，看看复原的这只眼是不是与另外一只眼搭配呢？请看下图

在（c）中，我们可以明显感觉出，所说两只眼睛单独看没有问题，但是放在帅哥的脸上，怎么那么不自然呢？给人的感觉怪怪的！我们怎么才能使得他们协调一些呢？这个问题可理解为：保证两只眼睛大小一致、五官比例匀称等一些审美上的要求吧！

咯咯！这怎么和语义分割概念那么相似呢？假如，我能够事先知道一些五官布局之类的语义，这不就帮我解决上述问题了吗？说干就干，就给她引入语义信息！！！结果如（d），真是“千呼万唤始出来”哦！总算得到了让我满意的“帅哥”、“美女”图像！！！

说了这么多，我究竟在说的是什么呢？你是在搞图像处理呢，还是在干啥？恩，不能不务正业了，下面给您放出论文中的模型

是不是看着很熟悉的样子哦！Global discriminator就是判断复原图像是否真实的；local discriminator就是判断复原图像patch是否真实的。Parsing network那个是使得得到的人脸五官匀称、整齐的！至于L2 重构，您就自己意会一下吧！这不就是将我刚刚分析的几个要素整合到CNN网络中了吗？原理建模还可以这么理解哦！

明白了这篇paper的基本思路之后，下面就是在特定的数据集上训练我们的网络，当然了这个数据集必须包含作者需要的信息：GT parsing。作者选取的数据集是，CelebA。实际上，训练好这个网络之后，我们可以拿自己的人脸试试哦，看看是变帅了呢，还是变亮了呢？

说句话外话，Loss函数太多，每一个loss函数的权值怎么选，这个的确是个“黯然销魂”的问题，作者只是给出了权重，但是没有给出一些原则哦！如果您对鸟脸比较感兴趣，估计您得自己选择这些参数了哦！也许，您一下子就能选到了最佳组合，也许您在纠结到底什么权重是合适的呢？

以上就是自己一些粗浅的看法，不当之处，敬请各位批评指正！！！

论文笔记 Generative Face Completion