发布时间：
没奖励，但好处还是有很多的。如果是清华大学的老师或者学生发表的，荣誉虽然也属于清华大学，但主要属于作者。作者在申请项目、陈述个人成绩时都可以提到，这会加分不少。很多科研项目要求文章发表数量，这篇文章如果挂了项目号，写报告时就可以加进去。作者如果是学生的话，一方面发了nature导师会给学生不少奖励，另一方面申请奖学金时也有优势。虽然在science和nature上发表文章很难，但是我国还是有不少人发表过的。
支持。第1个缘故是这能优化论文系统，第2个缘故是可减轻学生负担，第3个缘故是降低了申请门槛。
小论文和毕业论文查重因为该期刊对文章格式要求非常严谨，如果没有认真修改，就直接复制粘贴就可以了，不仅容易造成字数上的浪费，而且影响到自己的答辩结果。另外，有些刊物也有较明确的办法限定每篇文章必须包含下面部分内容，那么只要你知道自己的论文内容即可。如果我觉得内容还行不错的话那么选择一个适合自己的期刊杂志是非常简单的事。其它杂志在选择期刊时也会注意到一些细节问题，例如审稿周期、论文字数等问题。但是这里有两点：2017年论文查重毕业论文查重流程一、文章的逻辑性和准确性很强；二、论文中存在的问题比较多，或者大家关于这些细节，大家可以参考一下。根据esi数据库统计数据，清华大学2004至今发表了6263篇esi论文，位居全球前千，达到92.7%，位列中国高校第293名。进入前十强的学术机构是：中国科学院、北京大学、西安交通大学；清华大学排在第四位，与清华大学并列第五名，入围前十名的高校共有7所，位置见下表。中国科学院、北京大学、浙江大学依旧稳居第一名、清华大学，紧随其后的是南京大学（34名）、北京师范大学（46名）、武汉大学（31名）和华中科技大学（29名）。其中，清华大学在论文发表数量、总被引频次、高校排行榜上位列第五十名；北京大学则在各项指标获得优异成绩，排名全国第二，在《nature》、《science》和《cell》四大顶尖期刊上共发表了200篇论文。2016年度教育部人文社会科学研究一般性认定办法最终发布为c类以外的普通高等学术水平85所高校2016年发表“具有正高级职称”水平及影响力的研究型大学2017年发表“具有正高级职称”水平及影响力的研究型大学239所高校2017年“具有正高级职称”水平及影响力研究型大学2008年发表“具有正高级职称”水平及影响力的研究型大学2018年“具有正高级职称”水平及影响力研究型大学253所中国高校298所“具有正高级职称”水平及影响力研究型大学2008年发表“具有正高级职称”水平及影响力的研究型大学小论文和毕业论文查重因为该期刊对文章格式要求非常严谨，如果没有认真修改，就直接复制粘贴就可以了，不仅容易造成字数上的浪费，而且影响到自己的答辩结果。另外，有些刊物也有较明确的办法限定每篇文章必须包含下面部分内容，那么只要你知道自己的论文内容即可。如果我觉得内容还行不错的话那么选择一个适合自己的期刊杂志是非常简单的事。其它杂志在选择期刊时也会注意到一些细节问题，例如审稿周期、论文字数等问题。但是这里有两点：2017年论文查重毕业论文查重流程一、文章的逻辑性和准确性很强；二、论文中存在的问题比较多，或者大家关于这些细节，大家可以参考一下。根据esi数据库统计数据，清华大学2004至今发表了6263篇esi论文，位居全球前千，达到92.7%，位列中国高校第293名。进入前十强的学术机构是：中国科学院、北京大学、西安交通大学；清华大学排在第四位，与清华大学并列第五名，入围前十名的高校共有7所，位置见下表。中国科学院、北京大学、浙江大学依旧稳居第一名、清华大学，紧随其后的是南京大学（34名）、北京师范大学（46名）、武汉大学（31名）和华中科技大学（29名）。其中，清华大学在论文发表数量、总被引频次、高校排行榜上位列第五十名；北京大学则在各项指标获得优异成绩，排名全国第二，在《nature》、《science》和《cell》四大顶尖期刊上共发表了200篇论文。2016年度教育部人文社会科学研究一般性认定办法最终发布为c类以外的普通高等学术水平85所高校2016年发表“具有正高级职称”水平及影响力的研究型大学2017年发表“具有正高级职称”水平及影响力的研究型大学239所高校2017年“具有正高级职称”水平及影响力研究型大学2008年发表“具有正高级职称”水平及影响力的研究型大学2018年“具有正高级职称”水平及影响力研究型大学253所中国高校298所“具有正高级职称”水平及影响力研究型大学2008年发表“具有正高级职称”水平及影响力的研究型大学
有过研究生经历的同仁们，自然会对上学期间要求硬性在国家核心期刊发表几篇论文作为能否授予硕士学位和博士学位的重要参考标准，如果没有按时按量发表到制定标准的期刊文献上，你连参加毕业答辩的机会都没有。目前绝大多数高校都严格尊重这条规定。而清华大学做出了一个破天荒的决定，清华大学的硕士研究生申请硕士学位，不再硬性要求上学期间在核心期刊上发表论文。这可以说是给所有的清华硕士研究生解绑了。他们可以全身心的投入他们所研究的课题之中，不要求在期刊上发表论文，但并不意味着可以任性随意的毕业，最后的毕业学位论文成为了衡量一个学生在研究生期间成绩是否合格的终极考量标准。
也就是说清华大学不要求学生发表期刊论文，但学位论文还是要求非常严格的，要严格按照毕业论文的字数、格式、参考文献等具体要求按时完成，方能成功毕业。中国高校现在普遍一个问题在于唯论文主义，教师要论文才能有课题，才能升职称，才能涨工资，学生有论文才能顺利毕业。高校每年产出论文的数量巨大，但论文的质量太低，原创新不足，基础研究不够，课题前瞻性不足，这都是主要的问题。
最可气的是，学校将论文发表的数量作为考核一名老师是否称职，学生是否合格的唯一标准。这就导致了高校作弊现象不断，学生在校外请枪手代笔，甚至有些老师的论文也是由枪手完成，更奇葩的是老师和学生一起作弊，老师替自己的学生完成论文，自己进而能获得职称的晋升。在这种唯论文论英雄的大学教学环境的之中，是不可能产生出真正的研究成果的，这也极大程度上拉低了我国高校的总体研究水平，唯论文论这一毒瘤必须铲除。
清华大学可谓是在这个方面走到了全国高校改革的前面，清华大学大学早几年已经去除了博士申请学位必须要求发表论文的规定。现在进一步将这一改革扩展到硕士研究生领域，可谓是大快人心，引领高校改革浪潮，不愧为全国首屈一指的名校。清华还是要探讨一下是否能为教师松绑的话题，这才能进一步激发老师的教学积极性。
《泰晤士高等教育》公布了世界大学排名，中国众多大学的排名都获了提升，从而体现了我国教育事业的发展势头强劲，其中清华大学，北京大学，复旦大学，上海交通大学，浙江大学等高校都榜上有名。
国内大学排名。随着近几年我国教育事业的蓬勃发展和良好的发展环境。我国大学科研实力都得到了很高的提升。本次排行中以清华大学的排行最高，位居世界第十六位，紧随其后的就是北京大学。复旦大学排名第五十一，上海交通大学排名第五十二，浙江大学排名第六十七，中国科技大学排名第七十四，南京大学排名第九十五。总共有七所大学排名前一百位，这些大学也都在意料之中。
国外大学排名。全球排名前十的大学除了英国牛津大学排名第一，剑桥大学排名第二和帝国理工学院排名第十外，其它的大学全部都来自于美国。美国哈佛大学位列第二，美国斯坦福大学并列第三，随后是麻省理工学院，加州理工学院，普林斯顿大学，加州大学伯克利分校和耶鲁大学。我国的清华大学和北京大学虽然排名比较接近，但是同顶级大学之间依旧存在较大的差距。
排名提升的原因。随着我国经济的崛起，我国开始吸引全球顶尖的学者和专家来到中国交流合作，无疑对于提升我国的科研水平具有非常重要的作用。美国的高等教育和研究领域的地位受到了中国的强有力的挑战。此外中国的各所大学在世界重要期刊和杂志上发表论文的数量和质量都呈现了明显的增长势头。申请的专利权数量也显著的增加。中国科技大学，浙江大学，复旦大学和清华大学的论文发表数量已经超过十万以上，北京大学接近十万篇。
清华大学公布了2020至2021学年度第9次校务会议修订的《攻读硕士学位研究生培养工作规定》，明确提出不把发表学术论文作为申请学位论文答辩或申请学位的前置条件。《规定》破除了硕士生学位评定中的“唯论文”倾向，取消“非专业学位硕士生应至少完成一篇与学位论文内容相关且达到发表要求的论文”的要求，不把发表学术论文作为申请学位论文答辩或申请学位的前置条件。《规定》坚持，“学位论文是进行学位评定的主要依据”，要求硕士生“在指导教师指导下独立完成学位论文研究工作，相应形成的创新成果应当以学位论文的形式完整呈现”；“硕士生完成个人培养计划、达到所在学科或专业学位类别培养方案相关要求、完成学位论文工作并达到相关要求后，方可申请学位论文答辩”。
看不说研究生需要发表论文这一事情，许多的本科生基本上都需要写一篇毕业论文，很多的学生把这当作是一件非常痛苦的事情，其实有许多的学者提出，本科生写的论文真的能对我们、对社会现象起到什么作用吗？答案不言而喻，其实很多的学生为了毕业会水论文凑字数，甚至之前还有一条完整的产业链帮代写论文，这一切其实都可以看出论文是需要很多的基础知识和社会实践才能过写出的东西，而不是我们学生随便一挥手就能勾出现的东西。
其实许多的搞笑综艺把发表论文作为一个评判的标准，这样子可以快速高效的认定这个学生在大学期间或者研究生期间是否真的把自己的时间投入到学习中去，但是这样的批判标准实在是太片面，清华作为我国的高等学府，孕育出了无数科学家人才，他们要做第一个吃螃蟹的人，打破常规对学生的禁锢，这样说不定学生会更加愿意的投入到实践和创作中去。
我觉得还好，在清华大学读博士，说明这个学生的学术能力很强，他们应该有这个能力，清华老师提出这个要求也是为了鞭策学生，让学生能力变得更强。
1、第一档次中国名校：清华大学、北京大学。清华和北大连年都为抢生源交战，排名一个第1、一个第二，可谓是不分雌雄，这两所牛校是很多高材生的必争之地，清华北大各有优势，在中国可谓是如雷贯耳，无人不知无人不晓。2、第二档次中国名校：（1）复旦大学、上海交通大学。复旦、上海交大、清华、北大四所大学放在一起又可统称为中国四大名校，是名副其实不可撼动的十大名校之首。（2）浙江大学、中国科学技术大学、南京大学。
《泰晤士高等教育》公布了世界大学排名，中国众多大学的排名都获了提升，从而体现了我国教育事业的发展势头强劲，其中清华大学，北京大学，复旦大学，上海交通大学，浙江大学等高校都榜上有名。
国内大学排名。随着近几年我国教育事业的蓬勃发展和良好的发展环境。我国大学科研实力都得到了很高的提升。本次排行中以清华大学的排行最高，位居世界第十六位，紧随其后的就是北京大学。复旦大学排名第五十一，上海交通大学排名第五十二，浙江大学排名第六十七，中国科技大学排名第七十四，南京大学排名第九十五。总共有七所大学排名前一百位，这些大学也都在意料之中。
国外大学排名。全球排名前十的大学除了英国牛津大学排名第一，剑桥大学排名第二和帝国理工学院排名第十外，其它的大学全部都来自于美国。美国哈佛大学位列第二，美国斯坦福大学并列第三，随后是麻省理工学院，加州理工学院，普林斯顿大学，加州大学伯克利分校和耶鲁大学。我国的清华大学和北京大学虽然排名比较接近，但是同顶级大学之间依旧存在较大的差距。
排名提升的原因。随着我国经济的崛起，我国开始吸引全球顶尖的学者和专家来到中国交流合作，无疑对于提升我国的科研水平具有非常重要的作用。美国的高等教育和研究领域的地位受到了中国的强有力的挑战。此外中国的各所大学在世界重要期刊和杂志上发表论文的数量和质量都呈现了明显的增长势头。申请的专利权数量也显著的增加。中国科技大学，浙江大学，复旦大学和清华大学的论文发表数量已经超过十万以上，北京大学接近十万篇。
2023年世界大学排名出来，中国有北京大学，清华大学。这些大学都榜上有名。
我觉得还好，在清华大学读博士，说明这个学生的学术能力很强，他们应该有这个能力，清华老师提出这个要求也是为了鞭策学生，让学生能力变得更强。
这样子挺好，可以减少很多不必要的文字形式，一个硕士学位不单单是看论文写的好坏，更多的应该考虑一个学生的整体素质和学习能力
对此我觉得是件非常好的事情，因为就我国的学科设置来说，我国的硕士生其实是不具备发表论文的条件的。因为发表一篇论文，我觉得其最大目的还是去探寻一些新角度新观念，告知大众一些自身的新发明新创造。而我国的硕士，其实他们还停留在一个对人类已探寻到的知识的吸收过程之中，无法在短期内就提出一些更新的东西。也就是说，他们写的东西价值没有那么大。
当然，换句话说，你也许会问，但是我们现在的硕士已经发表了硕士论文，这又做如何解释？我想说，不仅硕士有硕士论文，连本科生都要写论文。而这样的论文，大部分质量是不高的，要达到毕业要求，被迫而写的。
我们都在说论文的抄袭事件，而我们也该思考一下论文抄袭事件的频发，其实也有其背后原因。比如大部分根本没有达到论文写作硬性条件的人，偏要去写论文。从另一方面来说，我当然是很希望我国的所有本科生，硕士研究生都可以积极努力的去探索这个世界哲理层面以及物质创造层面的真理，但是真理的创造是需要时间的，研究生们只有短短的三年时光，这三年时光一定要出一个成就，其实这还是比较难的。
我想与其让学术泰斗们看着他们手下的硕士研究生写出的幼稚至极的文字，还不如暂时思考一下这个硕士论文这一硬性条件的存在的必要性。我国发论文都是要向学术期刊交费的，因为像学术性的文章一般都是内部生产，内部消化的。我想那高昂的版面费以及硕士研究生投入在这些论文背后的时间与精力，是不能完全与这片粗糙的论文的价值相等同的。
sci论文的发表可以看作是作者学术能力水平的最有力证明，sci论文发表是对作者科研成果、写作水平的高度认可，也正是因此，发表sci论文是国内很多科研工作者的目标，但sci的发表是有很高难度的，sci发表有什么条件要求?从作者自身角度来说，最重要的也是最需要具备的条件就是专业知识水平以及英语写作能力水平，具备较高水平的专业知识才能写作sci论文。
发表SCI论文跟学历没有绝对的关系，跟能力的关系比较大。想要成功发表SCI论文，优秀的英文表达水平必不可少，很多作者写论文的时候还是中式英语的思维方式，有的对于专业名词的使用也很不准确不严谨，甚至对于时态的使用也是一堆错误。这样就会使得以英语为母语的审稿人看得很是头痛。发表成功率自然就大大降低了。
SCI论文的署名顺序肯定是以贡献多少来确定的。也就是说贡献最大的作者排名为第一作者，其次为第二作者和第三作者。一篇SCI论文里面受益最大的是第一作者和通讯作者，有的时候当贡献比较一致无法平衡的时候，也会出现共同一作这样的分配。要求论文使用英文来进行表达。如果是原作者的英文水平有限，就需要更高水平的英文编辑来帮忙翻译并母语化润色了。
要求论文的有一定的创新性。论文能否成功发表在sci期刊上，它的创新性很重要。发表在sci期刊上的论文，对其专业性要求很高，专业不同论文专题当然会有差异。所以在后来的科研学者要想把自己的论文发表在sci里，就必须要留意论文的创新性。另外，具有创新性的论文专题比常规性论文专题更易被收录。
清华的这一规定给许多学生创造了条件，让一些没有发表论文而特别有才华的学生，有了机会。
哦 我只知医学类的 可惜帮助不了你了
论文: EfficientDet: Scalable and Efficient Object Detection
目前目标检测领域，高精度的模型通常需要很大的参数量和计算量，而轻量级的网络则一般都会牺牲精度。因此，论文希望建立一个可伸缩的高精度且高性能的检测框架。论文基于one-stage的检测网络范式，进行了多种主干网络、特征融合和class/box预测的结构尝试，主要面临两个挑战:
FPN是目前最广泛的多尺度融合方法，最近也有PANet和NAS-FPN一类跨尺度特征融合方法。对于融合不同的特征，最初的方法都只是简单地直接相加，然而由于不同的特征是不同的分辨率，对融合输出特征的共享应该是不相等的。为了解决这一问题，论文提出简单但高效加权的bi-directional feature pyramid network(BiFPN)，该方法使用可学习的权重来学习不同特征的重要性，同时反复地进行top-down和bottom-up的多尺度融合
论文认为除了缩放主干网络和输入图片的分辨率，特征网络(feature network)和box/class预测网络的缩放对准确率和性能也是很重要的。作者借鉴EfficientNet，提出针对检测网络的混合缩放方法(compound scaling method)，同时对主干网络，特征网络和box/class预测网络的分辨率/深度/宽度进行缩放
最后，论文将EfficientNet作为主干，结合BiFPN和混合缩放，提出新的检测系列EfficientDet，精度高且轻量，COCO上的结果如图1，论文的贡献有以下3点：
定义多尺寸特征 ，论文的目标是找到变化函数 来高效融合不同的特征，输出新特征 。具体地，图2a展示了top-down FPN网络结构，一般FPN只有一层，这里应该为了对比写了repeat形式。FPN获取3-7层的输入 ， 代表一个分辨率为 的特征层
top-down FPN操作如上所示， 为上采用或下采样来对齐分辨率， 通常是特征处理的卷积操作
top-down FPN受限于单向的信息流，为了解决这一问题，PANet(图2b)增加了额外的bottom-up路径的融合网络，NAS_FPN(图2c)使用神经架构搜索来获取更好的跨尺度特征网络的拓扑结构，但需要大量资源进行搜索。其中准确率最高的是PANet，但是其需要太多的参数和计算量，为了提高性能，论文对跨尺寸连接做了几点改进：
大多的特征融合方法都将输入特征平等对待，而论文观察到不同分辨率的输入对融合输出的特征的贡献应该是不同的。为了解决这一问题，论文提出在融合时对输入特征添加额外的权重预测，主要有以下方法：
， 是可学习的权重，可以是标量(per-feature)，也可以是向量(per-channel)，或者是多维tensor(per-pixel)。论文发现标量形式已经足够提高准确率，且不增加计算量，但是由于标量是无限制的，容易造成训练不稳定，因此，要对其进行归一化限制
，利用softmax来归一化所有的权重，但softmax操作会导致GPU性能的下降，后面会详细说明
，Relu保证 ， 保证数值稳定。这样，归一化的权重也落在 ，由于没有softmax操作，效率更高，大约加速30%
BiFPN集合了双向跨尺寸的连接和快速归一化融合，level 6的融合操作如上， 为top-down路径的中间特征， 是bottom-up路径的输出特征，其它层的特征也是类似的构造方法。为了进一步提高效率，论文特征融合时采用depthwise spearable convolution，并在每个卷积后面添加batch normalization和activation
EfficientDet的结构如图3所示，基于one-stage检测器的范式，将ImageNet-pretrained的EfficientNet作为主干，BiFPN将主干的3-7层特征作为输入，然后重复进行top-down和bottom-up的双向特征融合，所有层共享class和box网络
之前检测算法的缩放都是针对单一维度的，从EfficientNet得到启发，论文提出检测网络的新混合缩放方法，该方法使用混合因子 来同时缩放主干网络的宽度和深度、BiFPN网络、class/box网络和分辨率。由于缩放的维度过多，EfficientNet使用的网格搜索效率太慢，论文改用heuristic-based的缩放方法来同时缩放网络的所有维度
EfficientDet重复使用EfficientNet的宽度和深度因子，EfficinetNet-B0至EfficientNet-B6
论文以指数形式来缩放BiFPN宽度 (#channels)，而以线性形式增加深度 (#layers)，因为深度需要限制在较小的数字
box/class预测网络的宽度固定与BiFPN的宽度一致，而用公式2线性增加深度(#layers)
因为BiFPN使用3-7层的特征，因此输入图片的分辨率必需能被 整除，所以使用公式3线性增加分辨率
结合公式1-3和不同的 ，论文提出EfficientDet-D0到EfficientDet-D6，具体参数如Table 1，EfficientDet-D7没有使用 ，而是在D6的基础上增大输入分辨率
模型训练使用momentum=0.9和weight decay=4e-5的SGD优化器，在初始的5%warm up阶段，学习率线性从0增加到0.008，之后使用余弦衰减规律(cosine decay rule)下降，每个卷积后面都添加Batch normalization，batch norm decay=0.997，epsilon=1e-4，梯度使用指数滑动平均，decay=0.9998，采用 和 的focal loss，bbox的长宽比为 ，32块GPU，batch size=128，D0-D4采用RetinaNet的预处理方法，D5-D7采用NAS-FPN的增强方法
Table 2展示了EfficientDet与其它算法的对比结果，EfficientDet准确率更高且性能更好。在低准确率区域，Efficient-D0跟YOLOv3的相同准确率但是只用了1/28的计算量。而与RetianaNet和Mask-RCNN对比，相同的准确率只使用了1/8参数和1/25的计算量。在高准确率区域，EfficientDet-D7达到了51.0mAP，比NAS-FPN少使用4x参数量和9.3x计算量，而anchor也仅使用3x3，非9x9
论文在实际的机器上对模型的推理速度进行了对比，结果如图4所示，EfficientDet在GPU和CPU上分别有3.2x和8.1x加速
论文对主干网络和BiFPN的具体贡献进行了实验对比，结果表明主干网络和BiFPN都是很重要的。这里要注意的是，第一个模型应该是RetinaNet-R50(640)，第二和第三个模型应该是896输入，所以准确率的提升有一部分是这个原因。另外使用BiFPN后模型精简了很多，主要得益于channel的降低，FPN的channel都是256和512的，而BiFPN只使用160维，这里应该没有repeat
Table 4展示了Figure 2中同一网络使用不同跨尺寸连接的准确率和复杂度，BiFPN在准确率和复杂度上都是相当不错的
Table 5展示了不同model size下两种加权方法的对比，在精度损失不大的情况下，论文提出的fast normalized fusion能提升26%-31%的速度
figure 5展示了两种方法在训练时的权重变化过程，fast normalizaed fusion的变化过程与softmax方法十分相似。另外，可以看到权重的变化十分快速，这证明不同的特征的确贡献是不同的，
论文对比了混合缩放方法与其它方法，尽管开始的时候相差不多，但是随着模型的增大，混合精度的作用越来越明显
论文提出BiFPN这一轻量级的跨尺寸FPN以及定制的检测版混合缩放方法，基于这些优化，推出了EfficientDet系列算法，既保持高精度也保持了高性能，EfficientDet-D7达到了SOTA。整体而言，论文的idea基于之前的EfficientNet，创新点可能没有之前那么惊艳，但是从实验来看，论文推出的新检测框架十分实用，期待作者的开源
本篇文章来自CVPR2020，名字是Bringing Old Photos Back to Life，主要做对老照片的恢复工作。
老照片中往往包含多种瑕疵，且不同年代的照片由于摄影技术的不同，其畸变类型有着显著的差异。这使得在合成数据集上训练得到的模型难以适应于实际老照片的修复。与常见图片修复依赖配对监督信号不同，作者将老照片修复问题定义为在 三个图片域之间的转换问题 ：实际待修复的老照片X、合成图像R以及无瑕疵高质量目标域图片Y分别视为三个图片域，我们希望学习得到X-Z的映射，如下图1，中合成图片与目标域图片形成配对关系。
采用如图2所示的网络结构实现三元域图像转换。 具体来说，作者提出用两个变分自编码器（VAE）来分别得到两个隐空间 Z_X（≈Z_R）和Z_Y。第一个自编码器（VAE1）学习重建真实老图片与合成图片，并在中间用一个对抗学习的判别网络将两种输入的隐空间对齐到同一空间。 这里我们采用变分编码器而不是普通的自编码器，这是因为变分编码器假设隐空间满足高斯先验（Gaussian prior），因而图片的隐空间编码更为紧凑，两种输入域的分布更容易被拉近。
类似的，我们用第二个自编码器 VAE2 得到高质量目标图片的隐空间编码。之后，我们固定两个 VAE 的编解码器，利用合成图片与目标图片的显式配对关系（标识为红色框），学习一个额外的隐空间映射（蓝色虚线），以实现对图片的修复。
此外，我们注意到老照片的瑕疵可以归类为 局部损伤以及广泛性损伤 。局部损伤有照片破损、污渍、划痕、褶皱等等，往往照片含有内容上的损坏，需要网络利用全局语义信息来实现修复；广泛性损伤指图片模糊、胶片噪声、颜色泛黄等整张照片均匀程度受到影响，修复仅需图片局部信息。 因而，我们的隐空间修复网络采用局部-全局视野融合，其中全局支路采用 nonlocal 模块大大增强处理视野。我们对局部破损图片建立了数据集，训练网络预测破损区域，该破损区域显式的送入 nonlocal 模块，并设置模块感受野为非破损区域（论文中称为 partial nonlocal 模块 ）。
至此，网络可以像修复合成图片一样，高质量的复原实际老照片。在此方法中，我们另外抠出照片中人脸部分，在人脸数据集上训练网络进一步优化人脸的细节。
我们将该方法和先前方法在实际照片上进行了对比。如图3所示，我们的方法达到了最真实、自然、清晰的修复结果。