我的结论（仅仅代表个人观点）
* 论文代码：https://github.com/swordcheng/FCSR-GAN
* 分辨率不高，16*16 or 32*32/--------------128*128
* 图6，图13，图4，图标有歧义。也许是我理解有问题。
* 恢复出来的图像，遮挡区域模糊，非遮挡区域也发生了改变
* 侧脸处理的还可以。
1、题目
《FCSR-GAN: Joint Face Completion and Super-resolution via Multi-task Learning》
作者：
2、创新点
* The effectiveness of existing face super-resolution approaches is not known when they are applied to low resolution face image with occlusions。
* It is not known whether the face completion approaches work for low-resolution face images or not.
** In this paper, we propose an end-to-end trainable framework based on a generative adversarial network (GAN) for joint face completion and super-resolution via a single model (namely FCSR-GAN).
** This work is an extension of our previous work of FG2019《Fcsr-gan: End-to-end learning for joint face completion and super-resolution》
3、网络框架
4、loss函数
* pixel loss
* Perceptual loss
防止pixel loss造成图像平滑，丢失语义信息
* Style loss
减少恢复区域与非遮挡区域边界上的伪影
* Smooth loss
减少补全边界的颜色失真问题
* Face prior loss
保证脸的结构合理
face parsing是自己训练的，landmark是采用的公开的。
* loss_D
5、两步训练策略
* 训练Fig.2(a), the first-stage train
权重系数依次是10，0.1，0.1，1
* 训练Fig.2(b), the second-stage train
Fix the fc module, 在Fc module 后面添加了Fr module
权重系数依次是10.^(-3)，1, 0.01，1，0.01
* 训练整个网络
6、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，训练face parsing module。
BB、训练 face parsing module
* Adam优化算法，学习率10.^(-4)
* Helen采用提供的人脸特征点，根据眼睛点做对齐到144*144大小，然后随机裁剪得到128*128图像
* 训练好的face parsing module去测试celeA中的脸，得到face parsing maps，作为计算Face prior loss的真实label。
* 采用open-source SeetaFace 去测试celeA中的脸，得到81 facial landmarks，作为计算Face prior loss的真实label。
CC、训练FCSR-GAN
* Adam优化算法，学习率10.^(-4)
* CeleA数据对齐到144*144大小，然后随机裁剪得到128*128图像。
* first-stage(Fc), 128*128下采样到32*32 以及 128*128下采样到16*16作为输入。遮挡大小以及范围如图4所示。网络输入、输出大小一致。
* second-stage(Fc+Sr),输入 和first-stage(Fc)输入一致，输出是128*128
DD、结果评价指标
用眼睛看，or用数据说话。
7、实验结果
a、遮挡位置不同的处理结果
(a)是低分辨率有遮挡的输入图像。
(b)如果看图像清晰度，会觉得分辨率提高了，属于高分辨率图像128*128，但是英文标志又是low-resolution w/o occlusion，(with low-resolution,without occlusion)
具体的只有作者知道了。
我支持high-resolution w/o occlusion.
b、不同分辨率的低分图像的处理效果
c、普遍性存在的问题
* 非遮挡区域有改变
* 侧脸处理的比较好
