这是2018年ECCV的一篇论文，做Image smooting的，这里简要谈一下我的理解。
该任务的目的是保持显著的结构性信息同时除掉不突出的纹理特征。这里主要思路是将网络分成结构信息提取和细节信息提取两个部分，从而达到目的。该任务的难点是如何确定纹理区域：首先纹理是重复的一个模式，在物体上也是非均匀分布的，并且可能会存在扭曲，导致其很难界定。其次在一些图像上纹理也有大的梯度和颜色对比度差异，其很容易和结构信息混淆。所以过去的方法可能会在除掉纹理信息的同时，导致结构信息的损失。这篇论文的思路是，纹理感知应当反应纹理区域和纹理梯度，所以提出一个纹理转换网络去从自然图像里转化纹理信息，其考虑低级特征如边缘信息和其他统计信息如重复度、空间差异性等。最后通过结构信息和纹理信息引导生成最终结果，结构如下所示:
SPN用来产生结构化信息，TPN用来确定纹理信息，两者进行结合，具体网络图如下:
TPN部分采用多尺度结构，先不断进行下采样，然后分别卷积，最后再上采样到原来的维度上concat在一起，最后转换成一个一通道的输出，这里输出层使用的是sigmoid函数。该部分网络的Loss是输出结果和GT的MSE。
TSFN部分将结构和纹理信息以及输入concat在一起，构成五通道的map，送到网络，网络总共四层。使用均方误差作为Loss.
其他部分如数据生成和实验见论文。