StyleGAN理解和隐变量latent space

一、 StyleGAN看这两篇就足够了！

1.StyleGAN 和 StyleGAN2 的深度理解
这篇文章主要看看对于Style mixing部分的讲解。

2.令人叹为观止的StyleGAN
这文章其中的Mapping Network和Perceptual path Length的讲解非常到位。
在Mapping Network模块中，实线代表着某一特征为常量的线，文中的意思就是如果用隐变量z（z来自高斯分布或者均匀分布）表示特征的话，由于z来自一个对称的分布，特征（指男子气概的程度和头发长度这两个特征）的分布为了变得对称必定就会扭曲即耦合，所以当这些特征耦合时，线就不是直线而是曲线了，沿着一根线进行位置变换时同时也会使得在其他线的位置发生变化，这理解实在精辟。
特征解耦就是特征互相独立，不互相影响。隐变量latent code 简单理解就是，为了更好的对数据进行分类或生成，需要对数据的特征进行表示，但是数据有很多特征，这些特征之间相互关联，耦合性较高，导致模型很难弄清楚它们之间的关联，使得学习效率低下，因此需要寻找到这些表面特征之下隐藏的深层次的关系，将这些关系进行解耦，得到的隐藏特征（换句话说，模型学习数据特征并简化其表示以使其更易于分析），即latent code。由 latent code组成的空间就是 latent space。

二、关于隐变量（隐变量latent code组成的空间就叫latent space）的相关解释，详看：

Understanding Latent Space in Machine Learning