instance normalization
instance normalization的方法，IN可以理解成爲每個圖片自己做BN，這樣比BN能保留更多scale信息。更新的研究表明如果訓練收斂不是問題的話，進一步去掉IN的效果也會更好。
分析
scale和mean包含了圖片style的信息，當用一個網絡transfer一種style的時候，IN可以把原圖的style丟掉換上新的style（由gamma和beta encode），所以結果有提升。
當然，如果要一個網絡transfer任意style，IN反而會hurt performance （因爲IN把所有圖都轉成了同樣的scale和mean）。
故我們提出了一種新的normalization來解決這個問題。（？忘記是哪篇論文了）