GAN 模态过渡

短发和长发过渡

现在我们有两个Image Domain X（短发）Y（长发）

pretrained GAN由随机向量生成图像，向量的各个维度代表着Image的各个特征

如果我们知道某（些）维度代表头发长短，通过调整这（些）维度，就可以调整头发的长短

因此我们需要对Images进行解码

Generator（Decoder）：预训练好的，能将随机向量转换成对应的人脸

Encoder ：固定Generator的参数，通过重建loss训练Encoder产生x对应的向量z_x，因为只有z_x才能够通过G产生正确的x

Discriminator：训练Generator时的Discriminator，可以用来初始化Encoder的参数

对上述网络分别输入短发和长发的Images，可以分别得到其Vectors

对两个Domain的Vectors进行平均，并相减，便可得到Domain间的距离z_long

对特定图像x₀，解得其编码En(x)，加上n×z_long（n为变化参数），得到z‘，Gen(z‘)即目标图像y₀

GAN 模态过渡

原文：https://www.cnblogs.com/JunzhaoLiang/p/12027843.html