GAN 自 2014 年提出以来得到了广泛应用。前不久效果令人震惊的 ICLR 2019 论文 BigGAN 引发了众多关注。去年英伟达投稿 ICLR 2018 的论文《Progressive Growing of GANs for Improved Quality, Stability, and Variation》效果也很惊艳。近日 PGGAN 的作者再发论文，这次的效果更加真实。
是的，这些图片都是由 GAN 生成的。
这款新型 GAN 生成器架构借鉴了风格迁移研究，可对高级属性（如姿势、身份）进行自动学习和无监督分割，且生成图像还具备随机变化（如雀斑、头发）。该架构可以对图像合成进行直观、多尺度的控制，在传统的分布质量指标上达到了当前最优，展示了更好的插值属性，并且能够更好地将潜在的变差因素解纠缠。
下图展示了这款新型生成器的风格效果。它将隐编码生成的风格（source）叠加在另一种隐编码的风格子集（destination）上。
对空间分辨率较低（4^2 – 8^2）的层的风格进行叠加的效果见「Coarse styles copied」部分：生成图像从 source 中复制了姿势、大致发型、脸形和眼镜等高级属性，但保留了 destination 图像的所有颜色（眼睛、头发、光线）和细节脸部特征。
对空间分辨率为 16^2 – 32^2 的层的风格进行叠加的效果见「Middle styles copied」部分：复制了 source 图像的细微面部特征、发型、眼睛睁开的状态，同时保留了 destination 图像的姿势、脸形和眼镜。
对高分辨率 (64^2 – 1024^2) 的层的风格进行叠加的效果见「Fine styles」：主要保留了 source 图像的颜色和微小特征。
