gan 网络的阅读以及生成人脸

GAN（对抗生成网络）可以被用于哪些（商业或潜在商业）实际问题？
https://www.zhihu.com/question/319949451/answer/806981502

StarGAN 相对于基准模型, 在面部属性转移和面部表情合成的任务中有更好的效果2017 年论文

Style gan 2018年 生成的脸很逼真
牙齿，头发，局部色彩，局部不对称，局部扭曲，人脸后的背景有问题，存在水平或垂直的条带状纹理 https://zhuanlan.zhihu.com/p/52007724 ，生成的脸和真实脸的区别，还有分辨真假人脸的小游戏连接
StyleGAN 算法不能生成同一个「假人」的多张图像，例如大头照，沙滩照，各种角度照片，制作虚拟图片，生成的多张图片是同一张图片的属性修改，得到的

训练GANs一年我学到的10个教训 https://zhuanlan.zhihu.com/p/79959150

2、大姿态人脸识别中，TP_gan 将侧脸生成人脸的正面照片，再进行人脸识别，属性估计，效果会比较好。所以可能低分辨率的图片，超分辨图片再识别效果也会比较好。

生成的人脸是否有重叠的估算

随机数字 latents 决定脸的唯一性
# Print network details.
Gs.print_layers()

# Generate pictures
generate_num = 20
for i in range(generate_num):

    # Generate latent. 随机生成一组 512高斯分布的浮点值，取值主要在-1.96~+1.96之间，，
    # 如果按照前三位取值，每个随机数字可能性（196+196）可能性
    # 总共有 392^512 次方个人脸，重叠的概率还是有的，但是非常小，
    # 类似人群中发现有 陌生的人长得很像的情况
    # 由于基数很大，可以忽略不记
    latents = np.random.randn(1, Gs.input_shape[1]) #512 np.array([[1.08496709, -0.06483675,..........]]),