阅读论文：Two-Stream Appearance Transfer Network for Person Image Generation
2s-ATN，有监督，arxiv, 2011.04181v1.
问题：由于CNN是由空间局部算子和翻译等变量算子组成的（卷积、池化等），它们没有明确的机制去解决身体关节变形。以前的解决方式有两种：1.参数几何变换，如用仿射变换，但不能处理遮挡或平面外旋转问题。2.非参数密集流，但流场也是由CNN预测的，它不能解释大的或非局部的移动。
2s-ATN：
外观转换模块（AT-module）:
两流特征融合模块：实验得在该网络下用concatenation比sum好。
损失：对抗损失，L1-norm，感知损失（conv1_2 layer）
判别器:外观判别器和形状判别器。
外观判别器决定（source image，target image）和（source image，generated image）的真/假。
形状判别器决定（target pose，target image）和（target pose，generated image）真/假。
数据集：Market-1501（263632，12000）和DeepFashion（101966，8750）。
指标：SSIM，IS，Mask-SSIM，Mask-IS，PCKh score（形状一致性）。
消融：AT-module的影响，两流特征融合模块的影响，AT-blocks的数量的影响（9最佳）。
PCKh score：Progressive pose attention transfer for person image generation