动机和概述：
平衡MD和FA两个指标，分开使用两个Generator，每个Generator使用不同的网络，分别根据任务生成一个结果。最后会根据两个结果以及两个的平均结果？
使用Conditional GAN 进行交互和对抗。
+Conditional GAN:
一个挺通用而早期的GAN框架，与普通GAN的具体区别是输入包括判别条件以及图像两部分，以保证生成器生成的图像不但接近真实而且符合判别要求（如将标签作为判别条件输入G和D，保证生成器生成的不是其他种类的图片。）文中将input image作为条件，ground truth和两个生成的predicted image都输入cGAN，loss做了从两个到三个的简单的改动。
评价：
想法和动机像老师提到的idea一样不错。但是这个工作的Loss也是由好几个部分组成:
cGAN生成的对抗loss；两种结果间的一致性loss；而且也对另外一个指标加进去了，只是加了个很小的权，据作者说可以达到更好的initialization.
实验：红外数据集太少，于是收集了一部分真实数据并扩充了一部分人造数据，数据集开源了。。分别对比了普通的小物体检测和红外线图小物体检测方法，红外线图检测方法表现非常好（大概是研究的人少，任务相对困难），普通的小物体检测的Precision和F-measure还行，recall表现不够好，作者解释整体看结果还不错。最后对这三种Loss的重要性加了个权，而且属于实验超参数-.-总之Loss看起来不是很漂亮，不知道如果时间更加充足，有没有机会阅读更多paper加以改进。
*在红外线图等一些冷门的领域做实验，我觉得是可以的，（其实去年就有想到）