论文：StyleFlow: Attribute-conditioned Exploration of StyleGAN-Generated Images using Conditional Continuous Normalizing Flows
- ACM TOG 2021
code 论文
摘要前言：本文论文有点繁琐晦涩，以下内容仅代表个人阅读理解
Abstract: 现在可以通过uncondition gan（例如Stylegan）生成高质量、多样化、逼真的图像，但是控制生成过程的属性选项有限、同时很难保证输出的质量，此外由于gan latent space的纠缠特性，沿着一个属性进行编辑很容易导致其他属性的篡改。本文在条件探索纠缠潜空间的背景下，研究了属性条件抽样和属性控制编辑两个子问题。
作为 GAN 潜空间中条件连续正规化流的一个实例，我们将条件探索表述为由属性特征决定的条件连续正规化流，从而将 StyleFlow 作为这两个子问题的一个简单、有效和鲁棒的解决方案。我们使用 StyleGAN 的人脸和汽车的潜在空间来评估我们的方法，并且在真实照片和 StyleGAN 生成的图像上展示沿着各种属性的细粒度分离编辑。例如，对于面孔，我们改变相机的姿势，光照变化，表情，面部毛发，性别和年龄。最后，通过广泛的定性和定量比较，我们证明了 StyleFlow 相对于其他并发工作的优越性。
作者进行了以下两个任务：
（1）属性条件采样（即采样具有目标属性的高质量真实图像）
（2）可控制的属性编辑（即只编辑目标属性，最好的保留源图像其他信息）
其中，在任务1中，生成图像采用了StyleGan生成器，为了计算图像的属性，使用了一个属性分类器
模型方法
作者这篇文章写的比较详细，介绍了很多内容，但是不容易阅读。
在第四部分，讲解了NORMALIZING FLOWS,其实这也是该方法的核心内容，关于Flow流的介绍，但是对于初次了解的人（比如我）读起来就非常的晕，接下来就用通俗易懂的方式来介绍本篇文章模型方法。
由于StyleGan的生成过程为：
- 首先通过随机种子生成一个符合高斯分布的随机向量z
- 将z经过mapping network生成解耦的向量w
- 然后将w送入systhesis network生成图片
作者介绍了两种FLOW流的方法：DNF、CNF，用于计算数据分布之间的转换，最终作者选择使用了CNF。（这里不作介绍，感兴趣可以阅读论文）
可以理解为：1.通过CNF模块，可以将w向量结合attributes向量经过reverse inference（反向推理）得到z向量 2.通过CNF模块，也可以将z向量结合attributes向量经过forward inference（正向推理）得到w向量
CNF模块的结构如下图所示：
下面来看StyleFlow的模型：
（1）Joint Reverse Encoding（JRE）：首先得到一个w向量（可以根据real images投影得到），利用generator生成图片，然后将图片送入分类器（作者使用的是微软人脸属性分类api和光照预测网络DPR）得到attributes向量，接下来将w和at向量送入CNF网络得到z向量
（2）Conditional Forward Editing（CFE）：编辑修改attributes，然后将其和z向量送入CNF网络得到w’向量。（在这里编辑向量使用的应该也是类似interfacegan训练出来的方向向量）
（3）Edit Specific Subset Selection：作者实验发现，将w’向量加载到w+的不同层可以带来良好的效果。例如，1.更改光照：放入7~11层 2.更改年龄：放入4~7层等。
StyleFlow生成效果评估 - FID得分 关于训练部分StyleFlow主要训练的是CNF blocks，这部分推荐阅读论文以及项目issues作者的回复。
编辑生成图最后展示一下StyleFlow方法的编辑效果图：
尾言StyleFlow的论文写的非常详细，还是推荐大家看一看~
暑期编程PK赛 得CSDN机械键盘等精美礼品！
