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

本文提出了一种新的基于文本的图像编辑方法 CLIPInverter，通过在预训练的 GAN 反演网络中集成轻量级文本适配器层，以目标描述的 CLIP 嵌入为条件进行初始反演步骤的条件化，通过使用 CLIP 引导的细化步骤来对结果残留潜在编码进行更正，从而实现了高效稳定地进行多属性更改，因此在各个领域，包括人类脸部，猫和鸟类方面，我们的方法在操作精度和真实度方面均表现优异。

Jul, 2023

提出了 TextCLIP，这是一个统一的框架，用于无对抗训练的文本引导的图像生成和操作，通过对 Contrastive Language-Image Pre-training (CLIP) 的文本图像表示能力和 StyleGAN 的生成能力的结合，能够生成高达 1024×1024 分辨率的图像，并在 Multi-modal CelebA-HQ 数据集上取得了优于现有最先进方法的结果。

Sep, 2023

本文提出一种名为 Text2Human 的控制性框架，用于基于文本的生成高质量和多样化的人类图像。在此框架下，我们建立了一个分层的纹理感知码书，以存储不同类型纹理的多尺度神经表征，并使用混合专家的扩散变换采样器采样码书中的索引。通过使用细粒度文本输入，生成的图像具有更高的质量和更多的多样性，拥有比现有方法更好的性能。

May, 2022

提出了一种新的方法用于基于文本指导的图像风格操作，构建了一个字典来实现效果，已有方法存在很多的局限性，自己提出的方法可以同时处理多个通道间的互动关系，提高能发现未知方向的能力，同时保持了实时性和分离度。

Feb, 2023

该研究通过使用文本描述来操纵人类形象的时尚风格编辑，探索了时尚风格编辑的任务，并提出了两个加强指导信号的方向：文本扩充和视觉参考。通过基于人类先验的生成模型和对潜在空间结构的经验发现，在时尚风格编辑领域取得了令人兴奋的新应用。

Apr, 2024

本文提出了一种名为 TD-GEM 的文本驱动服装编辑方案方法，通过生成对抗网络反演获取数据图像的潜在表达，之后通过对比学习的语言图像预训练（CLIP）指导一个服装图像的潜在表达，以在保持图像其他部分不变的情况下编辑与文本要求一致的服装项目，该方案通过对颜色和袖长进行实验，生成了更逼真的图像。

May, 2023

通过引入基于 GPT 的体系结构 SewingGPT，结合文本条件嵌入和跨注意力，我们的框架可通过自然语言交互生成与计算机生成图形友好的服装。通过与其他最先进方法的综合评估和比较，我们的方法展示了最好的质量和输入提示的一致性。用户研究进一步验证了我们高质量的渲染结果，突显了它在实际生产环境中的实用性和潜力。

Jan, 2024

本文提出一种方法将 StyleGAN 和 CLIP 的预训练潜空间有效链接，从而能够自动从 StyleGAN 中提取语义标注的编辑方向，找到并命名有意义的编辑操作，而不需要任何额外的人类指导

Dec, 2021

本文提出了一种快速高效的以文本驱动的图像生成和操控方法 ——StyleMC，利用 CLIP 的 loss 和 identity loss 进行图像操控，不需要工程设计，仅需少量文本 prompt 训练即可找到稳定的全局 direction，比之前的方法更加高效

Dec, 2021