本文提出了一个名为InterFaceGAN的新框架,用于解释GAN学习到的语义面部编辑,并深入研究不同语义如何编码在GAN的潜在空间中。我们发现，精心训练的生成模型的潜在编码实际上学习了一个分离的表示，在线性变换后解旋，通过子空间投影来解开某些绑定属性，实现更精确的面部特征控制，并产生可控的面部属性表示的结果表明GAN具有生成高保真图像的能力。

Jul, 2019

通过在 GAN 的 latent space 中引入条件属性特征，作者提出了 StyleFlow 来实现运用属性控制生成样本和实现编辑的两个子问题， 并在实际应用中验证了 StyleFlow 的有效性和优越性。

Aug, 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

本研究提出了一种新的控制图像属性的编辑方法，通过学习多种属性变换和应用内容损失和对抗损失来实现单一和多属性的编辑，并保留图像身份和真实感。此外，提出了客观评价标准以衡量模型性能，结果表明该模型在目标图像操作方面达到了最先进水平。

Feb, 2021

通过探索回归进隐空间的方法来研究生成对抗网络 (GAN) 的组合特性，将回归器与预训练的生成器结合成强大的图像先验，从而实现无需预定义概念和标签即可实现基于实例的图像编辑，该方法在图像合成、填充和编辑等多个任务中都有应用。

Mar, 2021

本文提出了一种新的框架(IALS)，它利用来自一组对输入图像评估的属性分类器的监督来注入实例信息，通过执行实例感知潜空间搜索来找到解耦属性编辑的语义方向，并提出了一种“ DT ”度量来量化属性转换和解耦功效，并基于它找到属性级和实例级方向之间的最优控制因子。

May, 2021

使用低秩矩阵分解的方法可以更好地控制GAN生成的图像特征，同时局部的图像编辑控制可以通过该方法实现。

Jun, 2021

本文研究在生成模型中，利用非线性的神经 ODE 来处理非纹理变化因素，挖掘潜在编码空间中的更多属性，并对大量具有已知属性的数据集进行实证研究。

Nov, 2021

现有的属性编辑方法将语义属性视为二进制，导致每个属性只能进行一次编辑。然而，如眼镜、微笑或发型等属性展示了广泛的多样性。在本研究中，我们通过建模属性编辑的多维性质来提出“多样属性编辑”的任务，从而使用户能够为每个属性生成多个合理的编辑。我们利用预训练 GAN 的分离潜空间和训练一个去噪扩散概率模型（DDPM）来学习用于多样编辑的潜分布。具体而言，我们通过嵌入具有单个属性变化的图像对来训练 DDPM，从而得到能够实现多样属性编辑的潜子空间。在高度压缩的潜空间中应用扩散使我们能够在有限的计算资源内模拟丰富的编辑分布。通过广泛的定性和定量实验，我们展示了我们的方法在多样属性编辑方面的有效性。我们还展示了我们的方法在各种面部属性的三维编辑方面的结果。

Nov, 2023

我们提出了一种自编码器方法，通过重新组织StyleGAN的潜空间，使我们希望编辑的每个属性对应于新潜空间的一个轴，同时确保潜空间轴之间的相关性降到最低，以促进属性解缠，通过实验证明了我们的方法在编辑能力上超越了竞争方法，同时在保持图像身份一致性方面与原始图像具有高度的准确性，我们的自编码器结构简单明了，易于实现。

Dec, 2023