Contextual-based Image Inpainting: Infer, Match, and Translate
2018 ECCV
inpainting + 风格迁移
思路：分为推断和迁移，和之前那篇不同的是，将refinement问题作为学习问题。
定义了一个“patch-swap”层，来传递高频的纹理信息：使用外部与待替换patch最相似的 特征来替换。
补全用的Loss介绍过很多次了，是perceptual+ad loss。
Match部分：使用3*3的patch，在feature map上，计算他们的相似度。
这个操作可以用卷积并行完成。
Loss：perceptual + ad 训练中使用gt作为输入来训练第二阶段会好很多。
