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

你可能感兴趣的:(深度学习,算法,深度学习,GAN,生成对抗网络)