Make It So：面向任意图像反演与编辑的 StyleGAN 引导方法

StyleGAN 解耦的风格表示可通过操控潜变量实现强大的图像编辑，但将真实图像准确映射到其潜变量（GAN 反演）仍具挑战。现有 GAN 反演方法难以保持编辑方向并产生逼真结果。为克服这些局限，我们提出 Make It So，一种在 $\mathcal{Z}$（噪声）空间而非典型的 $\mathcal{W}$（潜风格）空间运行的新型 GAN 反演方法。Make It So 即使对分布外图像也能保留编辑能力，这是先前方法忽视的关键特性。我们的定量评估表明，Make It So 在反演精度上优于最先进方法 PTI~\cite{roich2021pivotal} 达五倍，并在复杂室内场景的编辑质量上实现十倍提升。