对抗反馈的建设性作用，是让生成器学会哪些局部纹理与边缘更像目标域中的真实图像。在逐像素平均容易变平滑的地方，它可以提出清晰可辨的细节。接着才问这些细节是否被输入证据支持：外观改善与事实恢复是两项不同的能力。 从一张低清建筑照片出发，平滑候选看上去不够锐利，带有砖缝的候选则像一张更清楚的照片。第一反应往往是后者更好。但“更像清晰照片”和“更接近这栋建筑的原貌”是两项任务。

低清观测可能已经抹掉了墙面细节。一个简单缩小过程会把多个高分辨率像素合成一个数：许多不同细节都可能产生相同的低分辨率结果。模型无法从已经丢失的信息中唯一推出原貌，只能结合训练中学到的规律提出补全。课堂图里的纹理候选用于演示这一点，并不声称两个候选在每个低清像素上严格相等。

三类常见反馈在这里做不同工作。像素误差逐位置比较数值，例如 L1 或 L2；感知损失先用一个特征提取器表示图像，再比较特征；对抗反馈则学习候选是否具有目标图像集合的外观。这些要求可以组合并调整权重，但每项都只检查自己看到的信息。换用特征，并没有取消特征选择带来的偏好；加上对抗反馈，也没有让缺失事实重新被观测。

“砖缝更锐利了，为什么还不能说恢复成功？” 因为可能只是补得更像砖墙。揭开本例选定的高分辨率原图，在同一处墙面核对：如果原貌是灰泥，新增砖缝再自然，也没有忠实恢复这里的材质。独立原图提供了区分候选的证据，而不是另一项审美意见。

这也解释了为什么像素折中有时显得平滑：多个来处都可能时，降低平均误差可以奖励折中，而一个具体自然纹理需要作出选择。选择本身并不坏。创意设计可以欢迎合理的新纹理；文献修复、测量或证据辨读却不能把新增细节直接当成记录中的事实。成功标准必须随任务改变。

下一页看一种更强的训练条件：输入结构图和目标照片来自同一栋楼，位置能够对齐。这样一组配对究竟向模型补充了什么信息？