渐进残差对齐：面向GAN反演和图像属性编辑的双流框架

基于GAN的图像属性编辑首先利用GAN反演将真实图像投影到GAN的潜在空间，然后操纵相应的潜在编码。最近的反演方法主要利用额外的高位特征来改善图像细节保留，因为低位编码无法忠实地重建源图像，导致细节丢失。然而，在编辑过程中，现有工作未能准确补充丢失的细节，并且编辑性差。主要原因是它们不加区分地一次性注入所有丢失的细节，这固有地导致细节的位置和数量过拟合源图像，导致编辑图像中出现不一致的内容和伪影。这项工作认为，细节应该以多阶段由粗到细的方式逐步注入到重建和编辑过程中，以获得更好的细节保留和高编辑性。因此，提出了一种新颖的双流框架来在每个阶段准确补充细节。重建流用于将由粗到细的丢失细节嵌入到残差特征中，然后自适应地添加到GAN生成器中。在编辑流中，通过我们的选择性注意力机制准确对齐残差特征，然后以多阶段方式注入到编辑过程中。大量实验表明，与现有方法相比，我们的框架在重建精度和编辑质量方面都具有优越性。