本文提出了 HyperStyle 方法，它利用 hypernetwork 对 StyleGAN 网络进行加权调整，从而可以将一幅图像忠实地表达为 latent space 中可调整的部分，使得该方法可以用于实现像素到像素的图像编辑工作，并且在编辑出不同于训练过的图像时，也能取得较好的效果。

Nov, 2021

本文提出了一种新型的 GAN 反演架构，称为特征 - 风格编码器，其风格编码器对于操纵获得的潜在代码至关重要，而特征编码器对于优化图像重建至关重要，该模型能够比现有方法更准确地反演实际图像，获得更好的感知质量和更低的重建误差。并且，我们还演示了该编码器在视频反演和编辑方面特别适用。通过对多个基于风格的生成器进行广泛的实验，我们的方法显著优于竞争方法，达到了基于风格的 GAN 反演的最新成果。

Feb, 2022

利用样式生成对抗网络（StyleGAN）的潜在空间，将真实图像反转并通过语义丰富的特征表示进行多项编辑，进一步扩展到将被擦除的图像反转到 GAN 的潜在空间中进行逼真修复和编辑的更为困难的任务，通过将反转的潜在编码与随机样本的 StyleGAN 映射特征组合，通过训练编码器和混合网络，利用生成的数据来鼓励混合网络同时利用两个输入，并利用高速特征来防止修复部分与未被擦除部分的颜色不一致，并通过与先进的反转和修复方法进行实验和对比，定量指标和视觉比较显示出显著的改进。

Jul, 2023

本文介绍了一种基于 Transformer 的图像逆转和编辑模型，用于预先训练过的 StyleGAN，通过 CNN 编码器在多个尺度上提供图像特征作为键和值，并将样式代码视为查询，以在生成器中反转输入。无论是在逆转还是编辑任务中，该方法在 StyleGAN 上都取得了更好的性能表现。

Mar, 2022

本文探究了用生成式对抗网络 GANs 的最新进展，发现最近提出的 style-generators 可以被用作通用图像先验，其具有线性特性和可逆性，且在图像增强任务方面优于其他 GANs 和 Deep Image Prior。

Jun, 2019

通过在本身潜在空间中调节生成器网络来恢复缺失的图像细节，我们的方法在重建质量和计算效率方面优于传统方法，具有更低的失真和 4 倍少的参数数量。

Aug, 2023

本文提出了一种通过对 StyleGAN 模型的先验空间进行过度参数化以增加模型自由度，从而实现更好的图像重建和编辑能力的方法。

May, 2022

本文提出了一种域内 GAN 反演方法，旨在通过一个新颖的领域引导编码器将真实图像映射到 GAN 的本机潜在空间中，从而精确重构输入图像并同时确保倒置代码在语义域内，以便支持各种基于变化倒置代码的图像编辑任务。实验表明，我们的反演方法实现了令人满意的真实图像重建，同时大大提高了各种图像编辑任务的效率，并远远超过了当前领先的方法。

Mar, 2020

本研究提供了一种基于编码器和超网络的方法以实现高重构质量、可编辑性和快速推理的 GAN 反演，并在两个具有挑战性的数据集上进行了广泛的实验以证明其优越性。

Dec, 2021

本研究通过将 StyleGANs 的超球形先验 Z 和 Z + 集成到 GAn 反演方法中，实现了不牺牲图像质量的语义编辑，并用实验证明 Z + 能取代最常用的 W、W + 和 S 空间，同时保持重建质量，减少图像畸变。

May, 2023