# 介紹論文的範本格式:
## [PD-GAN: Probabilistic Diverse GAN for Image Inpainting](https://arxiv.org/pdf/2105.02201.pdf)

### Abstract:
* 用於做缺損圖像的修復。
* 提出PD-GAN的架構，機率且多樣化的GAN
* 認為hole filling時，hole邊界的像素應該具有確定性(為了產生自然的過度邊界)，越靠近hole中心的像素的自由度越高。
* 提出SPDNorm，可以動態的平衡hole裡面的真實性與多樣性。
:::info
**註釋:**
也有用CNN來修復圖像的研究，它們的目標是單幅圖像的生成，即每個輸入圖像對應於一個修復的結果
:::

### Method:
#### Dataset: CelebA-HQ,Places2 and Paris Street View
:::info
**註釋:**
描述一下使用到的dataset:(是人?車?動物?)(是圖片檔還是影片切成一桢一桢)(簡單描述怎麼label)，分別在哪個部分使用?
:::
#### Training:
:::info
**註釋:**
描述一下整個論文AI模型的訓練流程(ex.先經過甚麼model出來的結果再經過另一個model參數會互相影響，或者兩個model是分開訓練，參數互不影響。
:::
#### Model:
:::info
**註釋:**
* 這邊要介紹他們使用的模型是甚麼，有幾層，這個模型適應拿來辨識?生成?分類?分割?
* 分清楚說我們控制的參數跟模型自己train的參數
:::

#### Input/Output:
:::info
**註釋:**
* 這邊要介紹模型的input output是甚麼，圖片?影片?distribution?
* 因為要解決xx問題，所以輸入是OO。
:::

#### Loss function:
:::info
**註釋:**
這邊要介紹loss function是用那些loss function要有公式跟簡單介紹(ex.兩個數的最小值?最大值?)
:::
#### Result:
:::info
**註釋:**
* 他們的結果長甚麼樣子?跟甚麼模型或方法做比較?要知道表格是在比甚麼的。
* 可以看一下他們的設備，如果是要TPU這些高檔設備，我們實驗室應該做不出來。
:::
### Conclusion:
#### contribution:
* Based on a vanilla GAN, the proposed PD-GAN modulates deep features of random noise vector via the proposed SPDNorm to incorporate context constraint.
* We propose a perceptual diversity loss to empower the network diversity.
* Experiments on the benchmark datasets indicate that our PD-GAN is effective to generate diverse and visually realistic contents for image inpainting.
:::info
**註釋:**
貢獻的地方在前面講摘要的時候可以也講一次，因為老師會想聽這個，只是最後再結論可以再說一次。
:::
### 理解障礙:

:::info
**註釋:**
你們研究過後，還是看不懂的地方。
:::
### 感想:
:::info
**註釋:**
想運用這篇論文的甚麼技術達到甚麼事情?
或你們覺得哪邊可以改進，而這個改進是你們應該可以做得到的。
:::