Context Encoders: Feature Learning by Inpainting
2016 CVPR
在深度学习-图像补全领域最经典的文章，后面很多文章都是基于它改进的。
思想：卷积自编码，输入带miss区域的图像，输出补全后的图。
细节：channel-wise的全连接，用于获取全局信息。
损失函数：两部分组成，一是回归损失，一是对抗损失。如果没有对抗损失，会少很多高频信息，这个对抗损失在后来的一些文章中也逐渐成为标配。
从共识中可以看到，都使用 mask M 来仅仅需要关注缺失区域的损失。也和上图对应了。
文中也对比了有/无 对抗损失，很直观。
作者website: https://people.eecs.berkeley.edu/~pathak/context_encoder/
code github: https://github.com/pathak22/context-encoder
