StyleGAN

论文解读视频

sourceA表示年龄、性别、头发长度、姿势等粗粒度的属性，在前期生成图像分辨率较低的时候使用
sourceB表示一些高分辨率下的属性，例如肤色、脸部纹理细节
更换SouceB的生成结果

Style

图像中的style包括粗糙风格,例如姿势、发型、脸型
中等风格：人脸特征、眼睛
高级风格：肤色、发色
由于在StyleGAN中生成图像时由低分辨率到高分辨率生成的，因此在低分辨率下能够获得的特征就是粗糙风格、随着分辨率的提升能够获得的特征就是中等风格与高级风格。

并且Style并不是人为约束的，而是网络通过学习自己获得的。

两种属性结合决定图像

Noise

为提升图像的多样性，生成网络的每一层都要添加噪声，噪声强度在不同分辨率层级下影响程度不同。

分辨率越高，影响越小。

StyleScale

控制生成质量的一个手段，我暂时没理解

论文阅读

摘要

StyleGAN架构能够实现自动的、无监督的分离高级属性(例如，在人脸上训练时的姿势和身份)和生成的图像中的随机变化(例如，雀斑、头发)。
1.提高了生成图像的分布质量（生成图像更加贴近于真实图像分布）
2.插值特点（网络稳定性很好，无论怎么插值都能维持贴近于真实分布）
3.更好的网络结构。
4.使用FID与PPL判断生成图像质量
5.建立了一个高质量的人脸数据集

1.引言

1.介绍以往GAN的主要缺点是无法很好的理解隐性空间，无法做到很好的插值。换句话说就是没有很好解耦开隐空间，我目前理解为就是没有很好的分离分离高级属性(例如，在人脸上训练时的姿势和身份)和生成的图像中的随机变化(例如，雀斑、头发)。
2.受到风格转换的启发，去解耦图像的属性。

2.生成网络

Z是从高斯分布中采样的latent code，通过Mapping working映射到W，w通过放射变换层A映射成Style输入每一层的到Adain中
style来自于Z，映射到W，变换成style

A:原始PGGAN生成图像质量
B:加入双线性上采样下采样策略（暂时不懂）
C:加入Mapping 和Style
D:取消传统输入
E：添加噪声
F：混合正则化，不是输入一个Z，输入多个Z.多个Z生成的Style随机采样并且组合。

3.1 风格混合

就是使用两组Z生成两组W,一组应用于交点之前，一组应用于交点之后

3.2 随机变化

加入噪声noise
在我们的发电机的不同层噪声输入的影响。(a)噪声应用于所有层。(b)没有噪音。©只有细层的噪音(642 - 10242)。(d)只有粗层的噪音(42 - 322)。我们可以看到，人为的噪音省略导致了没有特征的“绘画”的外观。粗大的噪声会导致大范围的卷发和更大的背景特征的出现，而精细的噪声会带来更精细的卷发、更精细的背景细节和皮肤毛孔

前面的部分以及所附的视频表明，虽然风格的改变具有全局效果(改变姿势、身份等)，但噪声只影响无关紧要的随机变化(不同梳理的头发、胡子等)。这一观察结果与风格转移文献一致，其中已证实，空间不变的统计(Gram matrix, channel-wise mean, variance等)可靠地编码了图像的风格[20,39]，而空间变化的特征则编码了特定的实例。在我们的基于样式的生成器中，样式影响整个图像，因为完整的特征映射是按比例缩放的，并且带有相同的值。因此，全局效果，如姿势，灯光，或背景风格可以控制一致。同时，噪声独立地添加到每个像素，因此非常适合于控制随机变化。如果网络试图控制，例如，使用噪声，这将导致空间不一致的决定，然后将被鉴别器惩罚。因此，在没有明确指导的情况下，网络学会了适当地使用全局和局部通道

3.3 解耦