這篇paper將巧妙地將四個loss函數結合在一起，其中每一個loss的功能不同。但這篇paper不夠elegant的地方也是loss太多！在本文中，我采用散文的寫作方法談談自己對這篇paper的理解，其實質就是“想到哪，寫到哪！”
如上圖所示，（a）輸入圖像；（b）用隨機square模板遮住輸入圖像一部分；（c）復原得到的圖像。理想狀態下，我們希望復原出的圖像與輸入圖像完全一致（視覺上 and 語義上）。哈哈，這個不是很簡單嗎，我們可以用L2范數regularize輸入圖像與輸出圖像，理想狀態下，輸入圖像與復原出的圖像完全一致！恭喜你，回答正確！作者也這樣試了試，結果如Figure 3 （c）所示。
哎呀！理想與現實差距有點大哦！仔細觀察一下Figure 3 （c），我們可以得出結論：復原結果模糊、復原得到的patch有點像、復原patch的邊緣清晰可見。其實，這個也很好理解，L2范數傾向於去平均，這樣會丟失很多高頻、低頻信息，使得圖像較為模糊、細節丟失。簡而言之，復原圖像與真實圖像差距有點大！換句話說，就是復原圖像看起來不真實！
這時候我腦海中浮現出一個概念，GAN的判決器不就是判定隨機噪聲生成圖像（或者patch）是否真實的嗎？哈哈，我們可以把這個思路搬過來哦！如果判決器判斷不出來復原的圖像是否是原圖，這不就表明，復原得到的圖像與原始圖像一致嗎？當然了，L2 loss還是必須的（可以理解為一個多任務學習）。說干就干，我直接判斷生成的patch的是否真實，於是得到了Figure 3 （d）。看起來比之前好多了哦！細細看來，發現這個圖片不是很真實，生成的patch在整幅圖像中顯得不協調！
不要灰心！生成的patch在整幅圖像中看起來不協調，換一種理解方式就是：整幅圖像看起來不真實嗎？索性我在上述兩個loss的基礎上，再加上一個生成的全局圖像是否真實的判定。這樣是不是就保證了生成的patch在整幅圖像中看起來比較自然些呢？請看Figure 3 （f）美女的大致輪廓已經顯現，看起來也自然的多了！
等等！對於我這個美女控來說，怎么允許美女的臉頰有褶皺呢，參看Figure 3 （f）？男的吧，我忍了！哈哈！怎么辦呢？我已經耗盡腦汁了！在山重水復疑無路時，我腦海中忽然浮現出一句詩“橫看成嶺側成峰”。於是，我決定大膽試試，遮住美女或者帥哥的一只眼睛，看看復原的這只眼是不是與另外一只眼搭配呢？請看下圖
在（c）中，我們可以明顯感覺出，所說兩只眼睛單獨看沒有問題，但是放在帥哥的臉上，怎么那么不自然呢？給人的感覺怪怪的！我們怎么才能使得他們協調一些呢？這個問題可理解為：保證兩只眼睛大小一致、五官比例勻稱等一些審美上的要求吧！
咯咯！這怎么和語義分割概念那么相似呢？假如，我能夠事先知道一些五官布局之類的語義，這不就幫我解決上述問題了嗎？說干就干，就給她引入語義信息！！！結果如（d），真是“千呼萬喚始出來”哦！總算得到了讓我滿意的“帥哥”、“美女”圖像！！！
說了這么多，我究竟在說的是什么呢？你是在搞圖像處理呢，還是在干啥？恩，不能不務正業了，下面給您放出論文中的模型
是不是看着很熟悉的樣子哦！Global discriminator就是判斷復原圖像是否真實的；local discriminator就是判斷復原圖像patch是否真實的。Parsing network那個是使得得到的人臉五官勻稱、整齊的！至於L2 重構，您就自己意會一下吧！這不就是將我剛剛分析的幾個要素整合到CNN網絡中了嗎？原理建模還可以這么理解哦！
明白了這篇paper的基本思路之后，下面就是在特定的數據集上訓練我們的網絡，當然了這個數據集必須包含作者需要的信息：GT parsing。作者選取的數據集是，CelebA。實際上，訓練好這個網絡之后，我們可以拿自己的人臉試試哦，看看是變帥了呢，還是變亮了呢？
說句話外話，Loss函數太多，每一個loss函數的權值怎么選，這個的確是個“黯然銷魂”的問題，作者只是給出了權重，但是沒有給出一些原則哦！如果您對鳥臉比較感興趣，估計您得自己選擇這些參數了哦！也許，您一下子就能選到了最佳組合，也許您在糾結到底什么權重是合適的呢？
以上就是自己一些粗淺的看法，不當之處，敬請各位批評指正！！！