本文介绍了一种使用图像对图像网络训练的方式来将 StyleGAN2 的特定图像处理提炼成图像对图像的处理方式，展示了通过这种方式实现的几种人脸图像处理效果，并显示出生成质量可与 Backpropagation 方法和现有的最先进方法相媲美。

Mar, 2020

本研究探索了利用预训练的基于样式生成器的“样式空间”控制本地翻译的可能性。提出了一种名为“ Style Intervention”的轻量级优化算法，用于在高分辨率图像上进行面部属性编辑，证明了其在视觉和定量结果上的有效性，表现优于现有的基准。

Nov, 2020

通过对预先训练在多个数据集上的模型进行分析，本文探讨和分析了StyleGAN2的潜在样式空间，发现StyleSpace的通道式样式参数空间显著比前人的其他中间潜变空间更具解开性，提出了一种通过StyleSpace控制实现更好的视觉属性解开性的方法，最终展示了应用StyleSpace控制实现对真实图像的操作，为通过简单而直观的接口实现具有语义意义的、良好解开的图像操作铺平了道路。

Nov, 2020

本文研究 StyleGAN 的潜在空间，提出了两个设计编码器的原则，以平衡畸变 - 可操作性和畸变 - 知觉的权衡，从而为真实图片的编辑提供了更好的方法。

Feb, 2021

本文探讨了如何利用 Contrastive Language-Image Pre-training (CLIP) 模型，开发基于文本的 StyleGAN 图像操作界面。新方法不需要人工干预，通过文本提示即可对输入的潜在向量进行修改，并引入了潜在映射器，提高了文本驱动的操作效率。实验表明该方法非常有效。

Mar, 2021

通过在中间的潜空间使用具有空间维度的调制替换AdaIN，我们提出了StyleMapGAN，它使得通过编码器的嵌入比现有基于优化方法更加准确，同时保持GAN的属性。实验结果表明，我们的方法在各种图像操作任务中显著优于最先进的模型。

Apr, 2021

本研究提出了使用属性特定的控制单元来处理精细化的StyleGAN图像操作的方法，并针对人脸属性操作等任务进行了实证研究，结果表明该方法在实现精细操作方面表现出色。

Nov, 2021

通过训练一个生成器来分别对局部语义部分进行建模，控制不同区域的纹理并且实现更加细粒度的合成和编辑，SemanticStyleGAN作为具有内置解缠结的通用先验模型，可以促进基于GAN的应用程序的发展并实现更多的下游任务。

Dec, 2021

本研究探讨了最新的 StyleGAN3 与其前任的区别、优缺点，研究了其潜在空间的分离性，并介绍了一种基于 StyleGAN3 的视频反演和编辑工作流。

Jan, 2022

使用强大的神经网络先验和渐进增长策略，成功地在ImageNet上训练了最新的StyleGAN3生成器，创造了新的StyleGAN-XL模型，并在大规模图像合成方面取得最新的技术突破。

Feb, 2022