网络结构：
两部分：Mapping network & Synthesis network
Mapping network
作用：将z转换为w，实现对z的特征解耦。
-
为什么要z -> w?
z为符合高斯分布或均匀分布的随机变量，变量彼此之间有较大的耦合关系，这可能会导致基于z生成的图片中，不同特征之间有一定的联系，而这些联系不一定是正确的。所以，我们希望对z进行解耦，以便改变图片不同的特征。
所以通过Mapping network，该模型可以生成一个不必遵循训练数据分布地向量w，减少了特征之间的相关性，完成解耦
Synthesis network
作用：
用于生成图像
- 样式模块
将特征解缠后的中间向量W′变换为样式控制向量，从而参与影响生成器的生成过程。
结构：4X4 >> 1024X1024，由 9 个生成阶段组成，而每个阶段都会受两个控制向量（A）对其施加影响，其中一个控制向量在 Upsample之后对其影响一次，另外一个控制向量在 Convolution 之后对其影响一次，影响的方式都采用AdaIN（自适应实例归一化）。因此，中间向量W′总共被变换成 18 个控制向量（A）传给生成器。
AdaIN： 的具体实现过程如上右图所示：将W′通过一个可学习的仿射变换（实际上是一个全连接层）扩变为放缩因子ys,i与偏差因子yb,i，这两个因子会与标准化之后的卷积输出做一个加权求和，就完成了一次W′影响原始输出xi的过程。
而这种影响方式能够实现样式控制，主要是因为它让W′（即变换后的）影响图片的全局信息（注意标准化抹去了对图片局部信息的可见性），而保留生成人脸的关键信息由上采样层和卷积层来决定，因此W′只能够影响到图片的样式信息。
删除传统输入
synthesis network的输入为4x4x512的常量值。
好处：避免初始输入不当导致生成效果差、有助于减少特征耦合。-
加入噪声
加入噪声B
人们的脸上有许多小的特征，可以看作是随机的，例如：雀斑、发髻线的准确位置、皱纹、使图像更逼真的特征以及各种增加输出的变化。 将这些小特征插入 GAN 图像的常用方法是 在输入向量中添加随机噪声 （即 通过在每次卷积后添加噪声 ）。为了控制噪声仅影响图片样式上细微的变化， StyleGAN 采用类似于 AdaIN 机制的方式添加噪声（噪声输入是由不相关的高斯噪声组成的单通道数据，它们被馈送到生成网络的每一层）。 即在 AdaIN 模块之前向每个通道添加一个缩放过的噪声，并稍微改变其操作的分辨率级别特征的视觉表达方式。 加入噪声后的生成人脸往往更加逼真与多样 。
风格影响的是整体（改变姿势、身份等），噪音影响无关紧要的随机变化（头发、胡须等）。
- 混合正则化
方法：对给定比例的训练样本（随机选取）使用样式混合的方式生成图像。在训练过程中，使用两个随机隐码z（latent code）而不是一个，生成图像时，在合成网络中随机选择一个点（某层），从一个隐码切换到另一个隐码(称之为样式混合)。具体来说，通过映射网络运行两个潜码z1、z2，并让对应的w1、w2控制样式，使w1在交点前应用，w2在交点后应用。
这种正则化技术防止网络假设相邻样式是相关的，随机切换确保网络不会学习和依赖于级别之间的相关性。
