1. 论文动机：

特征归一化广泛发应用于人工智能的各个领域，当然也包括计算机视觉中的Inpainting领域。但是，之前的方法都是对全局做特征归一化，没有考虑到由于缺失区域和已知区域的均值漂移和方差漂移，这导致了补全效果并不理想，因为缺失区域和已知区域的特征是不具有同等地位的特征的。问题描述可视化图如下：

这篇论文对此进行了创新，设计的两种RN（Region Normalization）,而且可以嵌入其他的网络，性能优于当时最先进的算法。

2. 论文创新点

论文设计的两种RN模型：（1）RN-B （Basic RN）（2）RN-L（Learnable RN）。
RN-B考虑到如果对全局直接进行特征归一化，会产生均值漂移和方差漂移，RN-B分别对已知区域和缺失的掩码区域进行归一化，解决了此问题。（2）而RN-L是可学习的RN，可以增强缺失区域和已知区域的融合。模型前期使用RN-B进行补全，后期使用RN-L进行补全效果的加强。而主模