補助として学習させる畳み込みオートエンコーダの特徴マップを蒸留の目的で使用し、損失関数に取り入れる手法を提案した。また、修復するエンコーダでは自身の特徴マップ同士で蒸留する損失関数も併用している。

Places2、CelebA及びPSVのデータセットで、マスクをかける比率を変化させて定量的な評価を行い、全ての条件で従来手法を上回る結果。定性的な評価でも、現実世界の画像を含め修復できている結果。

蒸留を実現する新たなネットワーク構造と、修復性能の高さで通ったと考えられる。なお、論文ではネットワーク構造の詳細はSupplementary Materialにあると記載されているが、CVF公式にはリンクがなく、arXivにも論文そのものが公開されていないため、確認することができない。