StyleCLIP：基于文本驱动的 StyleGAN 图像操控

受 StyleGAN 能够在多种域中生成高度逼真图像能力的启发，近期许多工作聚焦于如何利用 StyleGAN 的潜空间来操控生成图像与真实图像。然而，发现具有语义意义的潜空间操控通常需费力地人工检视众多自由度，或为每个所需操控准备带标注的图像集合。在本工作中，我们探索利用近期提出的对比语言-图像预训练（CLIP）模型的威力，以开发一种基于文本的 StyleGAN 图像操控接口，其无需此类人工投入。我们首先引入一种优化方案，利用基于 CLIP 的损失根据用户提供的文本提示修改输入潜向量。接着，我们描述一个潜映射器，其为给定输入图像推断文本引导的潜操控步长，从而实现更快速、更稳定的基于文本操控。最后，我们提出一种将文本提示映射到 StyleGAN 风格空间中与输入无关方向的方法，支持交互式文本驱动图像操控。大量结果与比较证明了我们方法的有效性。