SPG-Net: Segmentation Prediction and Guidance Network for Image Inpainting
2018 Baidu
现有的基于生成模型的方法没有利用分割信息来控制对象的形状，这通常会导致对边界的影响。
思路：语义分割+语义预测+语义辅助生成
分为 Segmentation Prediction Network (SP-Net) 和 Segmentation Guidance Network (SG-Net)，前者负责预测完整的语义图，后者负责补全图像。
SP-net:
输入 缺损图像+缺损图像的分割结果 输出 填补好的输出结果 损失函数：对抗损失+perceptual loss（重构损失）（只关注确实部分的）
perceptual loss常常用在风格迁移中https://blog.csdn.net/stdcoutzyx/article/details/54025243，在特征图上求重构残差，上面的公式就是将 gt 和 生成的图 G 都输入判别器D，在D提取特征后的两个特征图，相应的feature vector 残差F1范数的平均。
SG-Net：
输入：填充好的语义图和为填充好的原图。
输出：补全好的图。
损失函数也是对抗损失+perceptual loss（重构损失）（只关注确实部分的）
这里使用 alex 网络提特征并使用 L2 损失
