AIGC实战——StyleGAN(Style-Based Generative Adversarial Network)

AIGC实战——StyleGAN

• • 0. 前言
  • 1. StyleGAN
  • • 1.1 映射网络
    • 1.2 合成网络
    • 1.3 自适应实例归一化层
    • 1.4 风格混合
    • 1.5 随机变化
  • 2. StyleGAN 生成样本
  • 3. StyleGAN2
  • • 3.1 权重调制与解调
    • 3.2 路径长度正则化
    • 3.3 非渐进式增长
  • 4. StyleGAN2 生成样本
  • 小结
  • 系列链接

0. 前言

StyleGAN (Style-Based Generative Adversarial Network) 是于 2018 年提出的一种生成对抗网络 (Generative Adversarial Network, GAN) 架构，该架构建立在 ProGAN 基础之上。实际上，StyleGAN 与 ProGAN 的判别器是相同的，只有生成器发生了变化。本节中，我们将介绍 StyleGAN (Style-Based Generative Adversarial Network) 架构。

1. StyleGAN

在训练生成对抗网络 (Generative Adversarial Network, GAN) 时，通常很难将潜空间中对应于高级属性的向量分离出来，它们通常融合在一起，这意味着虽然调整潜空间中的图像可以使人物具有金色的头发，但这也可能也会无意间改变背景颜色。虽然 ProGAN 能够生成极其逼真的图像，但它也无法解耦潜空间中的特征。如果我们希望完全控制图像的风格，就需要在潜空间中对特征进行解耦。
StyleGAN 通过在不同位置将风格向量显式地注入网络来解耦潜空间的特征，包括控制高级特征(例如脸部方向)的向量和控制低级细节特征(例如头发的颜色)的向量。StyleGAN 生成器的整体架构如下图所示