StyleAlign：对齐 StyleGAN 模型的分析与应用

在本文中，我们对齐生成模型的属性与应用进行了深入研究。若两个模型共享相同架构，且其中一个（子模型）通过对另一个（父模型）微调至另一领域而得到（迁移学习中的常见做法），我们则称它们为对齐的。已有若干工作利用对齐 StyleGAN 模型的一些基本属性来执行图像到图像的翻译。在此，我们首次对模型对齐（同样聚焦于 StyleGAN）进行了详细探索。首先，我们对齐模型进行了实证分析，并就有关其本质的重要问题给出答案。特别地，我们发现子模型的潜空间在语义上与父模型对齐，继承了极其丰富的语义，即便对于如人脸与教堂这类相距甚远的数据领域也是如此。其次，借助这一更好的理解，我们利用对齐模型来解决多样化的任务。除图像翻译外，我们展示了全自动的跨域图像变形。我们进一步表明，零样本视觉任务可在子领域中执行，而仅依赖父领域中的监督。我们通过定性与定量实验证明，我们的方法取得了最先进的结果，同时仅需简单的微调与反演。