AOT

       处理appearance gap很大的图像伪造，比如说复杂的光照条件和肤色

       把appearance mapping 定义为一个最优传输问题，在特征空间和像素空间

       a relighting generator来模拟最优传输，

1通过求特征空间中学习到的特征的Wasserstein distance最小值。

2在像素空间采用一种segmentation game to 最小化Wasserstein distance。

       通过操纵直方图分布，即将源图像的直方图分布映射到目标图像的直方图分布，我们不仅可以捕捉到颜色差异，而且可以保留源图像的结构。

      传统OT：直接将OT应用到身份转换还是有问题的，1）计算不平衡像素直方图图像之间的OT可能会产生不匹配的映射，进而产生合成图像不连续ab

2）在传输过程中忽略了面部几何信息，使得细粒度外观信息转换困难。cd

3)计算负担大

      Appearance Optimal Transport，AOT可以应用在一些换脸方法上。

     两路的Perceptual encoder将图片编码成高级特征，

    从3D fitting model中提取相应坐标和法线代表面部几何信息和灯光初始信息。

     除此之外，a Neural Optimal Transport Plan Estimation在特征空间最小化Wasserstein distance(WD)

    随后a relighting generator decodes 特征到像素空间，并且通过a 分割策略优化结果。

额外知识：

1.关于Wasserstein distance

（1）total variation

（2）KL散度

首先注意到KL散度不是距离度量，它不满足对称性。

（3）wasserstein distance

优点：能够很自然地度量离散分布和连续分布之间的距离；
          不仅给出了距离的度量，而且给出如何把一个分布变换为另一分布的方案；

          能够连续地把一个分布变换为另一个分布，在此同时，能够保持分布自身的几何形态特征；