论文题目：基于多尺度神经块合成的高分辨率图像修复

用bounding box的问题：

虽然边界框有助于定位实例位置和提取实例视觉特征，但它们也阻止了SimsG[6]实现更多功能，因为应提供场景图中所有节点的边界框。例如，如果一个人想添加一些东西，SIMSG[6]无法实现，因为不会提供添加的东西的边界框。此外，在SIMSG[6]的第二部分中，将使用边界框删除被操纵实例的特征。但是，一个实例的边界框通常包含其他不相关的信息，如background。因此，其他不相关信息的视觉特征也将被删除，并且很难重新绘制。换句话说，边界框级别的操作过于粗糙，无法实现高视觉质量

一、contribution

1） 我们提出了一种新的无边界盒方法，该方法自然生成被操纵的实例，同时最大程度地保留原始图像的瞬时无关信息。

2）我们的方法是第一个实现全功能图像操纵的方法，包括重新移动、重新定位、替换和添加图像中的实例。它通过修改场景图来提高语义级图像处理的适应性

3） 定量和定性实验Visual Genome and COCO-Stuff 数据集上都广泛进行。实验结果表明，该方法明显优于现有方法。

 二、method

the method is composed of two parts:

1)Local-BBox-Free Mask Generation, to synthesize masks M