2018最佳GAN论文回顾(上)( 十 )_摘要：受Reddit网站上讨论区的启发

在经典的GAN方法中，生成器以一些潜在的代码作为输入，并输出一个图像，这属于它在训练阶段所学习到的分布。作者们通过创建一个基于样式的、由两个元素组成的生成器来背离这种设计：

1.一个全连接的网络，代表着非线性映射f:Z→W；

2.一个综合网络g；

全连接的网络—通过变换一个标准化的潜在向量z∈Z ，我们得到了一个中间的潜在向量w=f(z) 。中间的潜在空间W有效地控制了生成器的样式。作为旁注，作者确保避免从W的低密度区域采样。虽然这可能造成w的变化损失，但据说最终会导致更好的平均的图像质量。现在，一个从中间的潜在空间采样的潜在向量w被输入到块“A”（训练的仿射变换）中，并转换成样式y=(ysyb) 。最后通过每个卷积层的自适应实例标准化（adaptive instance normalization ， AdaIN）将该风格添加到合成网络中。 AdaIN操作是这样定义的：

合成网络— AdaIN的操作通过对其进行标准化来改变每个特征图xi ，然后使用来自样式y的分量进行比例缩放和移位。最后，生成器的特征映射也被提供了一个直接的方式来生成随机细节—显式的噪声输入—以包含不相关高斯噪声的单通道图像的形式。