来源：
NVIDIA Corporation。
优势：
a. 对缺失的图像做恢复。目前效果最好，针对规则形状的污染和非规则形状的污染都有好的效果。
b. 端到端，不需要后处理。
c. 提供超级大的数据库啊，做这个方面会有需求的。数据量是：训练55116，测试24866在这个基础上我们还可以进行扩充的哇。
论文在实际操作的时候，一些亮点工作如下：
基础网络：U-net，改进点以及可以取得的效果如下：
a. 卷积的改变，网络输入包括被污染的图像以及mask。
污染图像的卷积为：采用Partial Conv代替原来的规则conv，通俗点讲就是不是针对整个卷积区域做的卷积，如果卷积的区域是空洞区域，卷积结果直接定义为0 的。Mask的卷积：卷积和权重初始化为1，偏置初始化为0。（注：其实就是在卷积的过程中，尽量避免污染区域对输出造成影响。）
b. BN操作：
BN要用到均值和方差，为进行修复的mask区域是不贡献均值和方差的，随着图像一点一点的被修复，mask区域已经被修复的位置我们需要考虑它对均值和方差的贡献。
解决这个问题，具体的做法就是：
最开始的时候，学习率为0.0002，正常训练，在微调的过程中，学习率调低到0.00005，编码阶段的BN参数固定，不再改变，解码阶段的BN参数仍然让它学习。（注：这里的开始训练和微调我觉得应该指的是，网络训练一定时间之后学习率不再改变，我们需要调低学习率再训练的时候，称为微调）
损失函数：
损失函数部分，针对空洞区域和非空洞区域分别做的损失函数。因为空洞区域是需要我们新生成的，而非空洞区域是要保持不变的。
总的损失函数：
MSE:
语义损失：
风格损失：避免输出图像平滑，就是原来图像的突变点消失了。
下面这个损失是保证空洞区域边缘在空洞区域被填充之后，与非空洞区域的填充比较自然。
实验：
效果：
a. 空洞不靠近边界的图像远远比空洞靠近边界的图像修复效果要好。
b. 对于非空洞区域图像的保留效果比较好，可以用于超分辨率重建工作。