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

本文提出了一种基于风格条件的视频生成模型，其中引入了一种基于学习的正弦基的新颖时态生成器，学习到的动态表示独立于图像内容，可以在不同的演员之间进行传递。除了显著提高视频质量相比普遍方法外，我们还证明了解离的动态和内容使它们能够进行独立操作，以及通过时态 GAN 反演从一个内容或身份中提取和传递视频动作而无需进一步的预处理，如关键点。

Oct, 2023

本研究提出了一种新的视频合成方法，通过将空间域和时间域分离，利用预训练的 StyleGAN 网络的潜在空间进行训练，成功地生成了高质量的人像视频，并显著降低了所需训练数据和资源的数量。

Jul, 2021

通过引入一种 MoStAtt 机制，该研究提出了一种基于运动风格的视频生成模型，以增强帧的生动动态效果，并在四个条件下进行了使用大量跨帧的 256 × 256 合成视频，表现出了最先进的性能。

Apr, 2023

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

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

本研究探讨了一种名为 ReStyle 的迭代残差编码器，用于将图像反演为对应的潜在编码，以便于对真实图像进行操作和利用网络所学的语义。相比现有方法，ReStyle 的精度有所提高而推理时间基本不变，同时对其进行的评估和分析也表明其相对于现有的优化引导反演和最新的编码器方法更具有鲁棒性。

Apr, 2021