“StyleSpace Analysis Disentangled Controls for StyleGAN Image Generation”论文阅读

“StyleSpace Analysis: Disentangled Controls for StyleGAN Image Generation”论文阅读

来源：CVPR2021

地址：下载链接

一篇基于隐空间构造的解耦文章，其思路是构造了一个Style因空间，认为在该空间上的编码具有更好的解耦效果。

1 Motivation

1） 目前的风格迁移任务通常需要成对样本，并且需要较多的监督信息；

2） 目前方法的单个属性通常与其他属性存在纠缠，并且其作用是非局部的。

2 Contribution

1） 分析了隐空间对于图像解耦生成效果的影响；

2） 提出了一种基于样式编码通道的属性检测即可视化方法；

3） 提出了一种新的解耦评价指标属性依赖（Attribute Dependency）。

3 Approach

3.1 不同隐空间介绍

首先介绍一下论文里使用的隐空间的定义：

1） $\mathcal{Z}$空间：最原始的输入空间，一般是标准正态分布或均匀分布，也就是我们通常说的随机噪声空间；

2） $\mathcal{W}$空间：对$\mathcal{Z}$空间使用一系列全连接层变换得到潜在空间，通常认为比 $\mathcal{Z}$空间更好地反映学习到的解纠缠性质；

3） $\mathcal{W}+$空间：与 $\mathcal{W}$空间的构造方法比较类似，但是 生成器每一层被投喂的潜在向量$w$是不同的，常被用于风格混合（Style Mixing）和图像反演（Image Inversion）。

4） $\mathcal{S}$空间：基于$\mathcal{W}$空间进行进一步的变换，对于生成器的每一层，均使用一个不同的仿射变换（Affine Transformations，进行一次线性变换，再接一个平移操作）将$w\in \mathcal{W}$