StyleFlow：基于条件连续归一化流的 StyleGAN 生成图像的属性条件探索

高质量、多样且照片级真实的图像现在可由无条件 GAN（如 StyleGAN）生成。然而，在仍保持输出质量的同时，使用（语义）属性控制生成过程的选项有限。此外，由于 GAN 潜空间的纠缠特性，沿某一属性进行编辑很容易导致其他属性上出现不期望的变化。本文在纠缠潜空间的条件探索背景下，研究属性条件采样与属性控制编辑两个子问题。我们将条件探索表述为 GAN 潜空间中以属性特征为条件的条件连续归一化流的一个实例，由此提出 StyleFlow 作为对两个子问题的简单、有效且鲁棒的解决方案。我们使用 StyleGAN 的人脸与车辆潜空间评估我们的方法，并展示在真实照片和 StyleGAN 生成图像上沿多种属性的细粒度解纠缠编辑。例如，对于人脸，我们改变相机姿态、光照变化、表情、面部毛发、性别和年龄。最后，通过广泛的定性与定量比较，我们证明了 StyleFlow 相对于其他同期工作的优越性。