DragGANSpace：GAN潜在空间的探索与控制

本工作整合了StyleGAN、DragGAN和主成分分析（PCA），以提升GAN生成图像的潜在空间效率与可控性。StyleGAN提供结构化的潜在空间，DragGAN实现直观的图像操控，PCA降低维度并促进跨模型对齐，从而实现更简洁、可解释的潜在空间探索。我们将技术应用于动物面部高质量数据集（AFHQ），发现将基于PCA的降维与DragGAN框架相结合进行图像操控，在保持性能的同时提升了优化效率。值得注意的是，将PCA引入DragGAN的潜在W+层可以持续减少总优化时间，同时保持良好的视觉质量，甚至提升优化图像的结构相似性指数（SSIM），尤其在较浅的潜在空间（W+层=3）中表现显著。我们还展示了将两个在相似但不同数据域（AFHQ-Dog和AFHQ-Cat）上训练的StyleGAN模型生成的图像进行对齐的能力，并表明我们可以控制这些对齐图像的潜在空间，以直观、可解释的方式操控图像。我们的发现揭示了高效、可解释的潜在空间控制在广泛图像合成与编辑应用中的可能性。