重写 GAN 的几何规则

深度生成模型基于收集的数据集自动合成多样、真实的内容，使新手用户更易进行视觉内容创作。然而，当前的机器学习方法缺失创作过程的一个关键要素——合成远超数据分布与日常经验之物的能力。为初步应对此问题，我们允许用户通过编辑少量具期望几何变化的原始模型输出来“扭曲”给定模型。我们的方法对单一模型层施加低秩更新以重建编辑后的样本。此外，为抑制过拟合，我们提出一种基于风格混合的潜空间增强方法。该方法允许用户创建能合成具定义几何变化的无穷物体的模型，无需整理大规模数据集即可生成新生成模型。我们还展示编辑后的模型可组合以实现聚合效果，并呈现一个交互界面让用户通过组合创建新模型。多个测试用例上的实证测量表明我们的方法相对近期 GAN 微调方法具优势。最后，我们展示了使用编辑后模型的若干应用，包括潜空间插值与图像编辑。