LADN论文阅读

生成器：解耦出妆容信息和其他信息，并以U-Net的结构形式进行融合。

判别器：local D ，(参考图像，warped源图像）判别为真；(参考图像，生成图像)判别为假，使得生成图像不断的向warped图像去靠近，得到更好的生成结果。局部判别器使得纹理细节更好保持

损失函数：

常见损失：全局G-D对抗损失+局部G-D对抗损失+重建损失

提出的新损失：

1. KL 损失：约束妆容特征生成器Ea的输出特征接近高斯分布（具体为什么接近高斯分布呢？作者好像也没有深入解释）

2. high-order loss：针对上妆生成器，利用拉普拉斯滤波器来促使生成图像和warped图像之间尽可能接近，促进纹理细节和边界的保持。

3. smooth loss：针对cyclegan的去妆生成器，利用拉普拉斯滤波器来使得生成图像尽可能平滑，这对于去妆效果是更好的