تم تطبيق الشبكات العصبية التلافيفية بنجاح على مشاكل التجزئة الدلالية. ومع ذلك، هناك العديد من المشاكل التي ليست بطبيعتها مشاكل تصنيف بكسلات، ولكن يتم صياغتها بشكل متكرر كتجزئة دلالية. هذا الصياغة غير المناسبة تتطلب في النهاية طرق معالجة ما بعد محددة للموقف ومرهقة من الناحية الحسابية لتحويل خرائط الاحتمالات لكل بكسل إلى المخرجات المرغوبة النهائية. يمكن استخدام الشبكات المعادية التوليدية (GANs) لجعل مخرجات شبكة التجزئة الدلالية أكثر واقعية أو أفضل حفاظًا على البنية، مما يقلل الاعتماد على طرق المعالجة ما بعد المحتملة التعقيد. في هذا العمل، نقترح EL-GAN: إطار عمل GAN يستخدم خسارة الانغراس (embedding loss). باستخدام EL-GAN، نقوم بالتمييز استنادًا إلى انغراسات متعلمة لكل من العلامات والتوقع في الوقت نفسه. هذا يؤدي إلى تدريب أكثر استقرارًا بسبب وجود معلومات تمييز أفضل، مستفيدًا من رؤية كلٍ من التوقعات "المزيفة" والـ "الحقيقية" في الوقت نفسه. هذا يثبّت بشكل كبير عملية التدريب المعادية. نستخدم تحدي علامات المسار TuSimple لإظهار أن بإمكان إطار العمل المقترح لدينا تجاوز الاختلالات الطبيعية لصياغته كمشكلة تجزئة دلالية. ليس فقط يكون المخرج النهائي أقرب بكثير للعلامات عند مقارنته بالطرق التقليدية، بل تكون المعالجة ما بعد أيضًا أبسط وتتجاوز عتبة الدقة التنافسية البالغة 96٪.