StyleGAN 潜空间的语义与几何解构
计算机视觉与模式识别
2021-07-12 v1
摘要
生成对抗网络（GANs）已被证明可通过反转并操控对应于自然图像的潜码来高效进行图像编辑。该性质源于潜空间的解耦特性。本文中，我们指出此类潜空间的两个几何局限：(a) 欧氏距离不同于图像感知距离；(b) 解耦并非最优，且使用线性模型进行面部属性分离是一个限制性假设。因此我们提出一种新方法，利用归一化流学习代理潜表示以弥补这些局限，并表明这带来了更高效的面部图像编辑空间。
引用
@article{arxiv.2107.04481,
title = {Semantic and Geometric Unfolding of StyleGAN Latent Space},
author = {Mustafa Shukor and Xu Yao and Bharath Bhushan Damodaran and Pierre Hellier},
journal= {arXiv preprint arXiv:2107.04481},
year = {2021}
}
备注
16 pages