e4e反演框架：Designing an Encoder for StyleGAN Image Manipulation

这里记录下本文学到的概念（自己理解的）：如有错误，请勘误！

目录

一、W空间

区分

 特性+说明

 二、两种Latent Space Embedding

1、 learn an encoder that maps a given image to the latent space

2、 select a random initial latent code and optimize it using gradient descent

---

一、W空间

e4e原文在intro第三段描述：由于并不是所有的图都W空间，W空间表达能力有限在下文Image2stylegan: How to embed images into the stylegan latent space?

 e4e使用的是W+空间，

区分

W是指stylegan中map网络的输出，一般维度是512；

指的是K个不同的sytle codes，K代表了sys里面style inputs的个数；注意：这里k个sytle codes都来自W空间，并且是equal的；看这里，便是18个属于（这里W就是map的隐空间）的style code，是18*512维度的。

指的是，使用一个不是来自W空间的style code，replicating it；所以这里style code是一样的；

值得是，使用k个不同的，不是来自W空间的style code。

 特性+说明

 表第一个特性指得，style code 是不是来自W空间，第二个特性这些style code是不是一样的。

下面这个图以2维度举例，这里应该是假设了等高线区域符合高斯分布，这几个等高线分布在二维 空间。这是二维空间的示意图，对角线区域都是一维的，类比下y=x；

W隐空间就是对角线上高斯分布中的有概率的点（粉色点），W*隐空间就是对角线空间（高斯分布概率为0的点也是），w2空间就是高斯分布的蓝色点

1、的style code是一样的，所以是对角线；这是一维的

2、粉红点表示从W空间抽样得到的点，是一维高斯的混合。注意，这里w是一维空间的，粉红色点是二维空间里3个高斯分布的的混合。这里我的理解是一个二维（x，y）高斯分布在y=x条件下，得出的结果。

3、灰色区域表示，是二维的。蓝色点是从 点采样的，到灰色等高线的距离代表到W空间的距离。

 二、两种Latent Space Embedding

1、 learn an encoder that maps a given image to the latent space

encoder方法例如psp、e4e，使用encoder输出w向量

2、 select a random initial latent code and optimize it using gradient descent

 image2stylegan就是optimize的方式

3、e4e后面就是从 tradeoffs 上encoder出来一个隐空间来实现inversion并且尽量靠近style code隐空间