我的结论（仅仅代表个人观点）
* 2020年2月的论文
* 论文没有公开代码（20200525），网络计算量，无法确定。
* 分辨率不高，16*16 or 32*32/--------------128*128
* 适用于正脸，不适用于侧脸
* 恢复出来的遮挡区域，依旧模糊
* 关键点，图卷积 and FPN结构
1、题目
《Joint Face Completion and Super-resolution using Multi-scale Feature Relation Learning》
作者：
2、创新点
3、网络框架
4、loss函数
在论文的实验中，参数是
5、实验
AA、实验数据集
a、CelebA数据集：
数据：10177图，202599个脸
划分：162770训练，19867验证，19962测试。
b、Helen数据集：
数据：2330个脸
划分：2000训练，300测试。
CelebA数据集,进行模型的训练、测试和验证。Helen数据集，交叉验证，对模型进行进一步的评估。
BB、实验细节
* Adam优化算法，学习率10.^(-4)，kernel size=3, batch size=24
* CeleA数据对齐到144*144大小，然后随机裁剪得到128*128图像。
* Helen采用MTCNN检测人脸特征点，做5点对齐，然后resize脸到128*128*3。
a、the multitask experiments（又要做遮挡，又要做超分辨率）
做了两个实验：
* 4倍下采样，实验SRFC*4
bicubic interpolation method，resize128*128图像，到32*32，随机加入一个binary mask，32*32图中binary mask大小是8*8
* 8倍下采样，实验SRFC*8
bicubic interpolation method，resize128*128图像，到16*16，随机加入一个binary mask，16*16图中binary mask大小是4*4
b、the face completion experiments（做遮挡）
给128*128图像，加入一个binary mask，binary mask大小是32*32
c、the face super-resolution experiments（做遮挡）
八倍下采样，bicubic interpolation method，resize128*128图像，到16*16
CC、结果评价指标
用眼睛看，or用数据说话。
6、实验结果
a、the multitask experiments
b、the face completion experiments
论文给出的结论是：
（仅仅代表个人观点）But，通过图，观察不到这个结论啊。
遮挡面积越小，固定不动的区域越多，观察整个图的视觉效果好，是因为不动区域多引起的，并不是说遮挡区域的恢复能力变好了啊。
把遮挡区域单拿出来看，遮挡部位得到的恢复，都一样的模糊。
c、the face super-resolution experiments
d、Others
M1：含有FPN
M2：含有图卷积
M3：含有IGCN和FPN
******************************************************************
没有FPN结构，效果不好
采用传统的卷积而不采用图卷积，效果不好
**************************
**************************************
************************************************
