1、主要贡献

        解耦出了生成网络中style的影响因素，并可以利用这一点实现不同生成图像的风格融合

        注意：该网络还是从噪声生成随机图像，只是可以把已经生成的随机图像的latent code相融合，得到介于两者之间的新类型图像；而不是根据手头的图像来实现风格融合

2、网络结构

        不更改discriminator或者loss function，只修改generator        

        1）网络输入用constant 

        2）[high-level attributes (e.g. pose, identity)] 加入non-linear mapping网络f (8层MLP)，将输入的隐编码z映射为同样尺寸的w，然后再用learned affien transformation将w转换为styles 

        3）Adaptive instance Normalization (AdaIN)

                                

        4）[stochatic variation (e.g. freckles, hair)] 用learned per-feature scaling factors将single-channel高斯噪声映射到all feature maps，添加到AdaIN前

        5）设置不同scale，便于进行scale-specific mixing and interpolation

        6）mixing regularization用于decorrelate相邻的styles，style mixing：在训练阶段，一定比例的图像是用两个随机隐变量生成的，不同的scale随机switch隐变量

                在测试阶段，style mixing可以得到融合两种图片特征的图像

        ​       ​​​​​​​        ​​​​​​​        

3、评估隐空间解耦程度

        1）perceptual path length

        这个人的解释还是挺清楚的：如何理解 stylegan？ - 龙鹏-笔名言有三的回答 - 知乎  

                                                

                                

         2）linear separability

        这个人的解释还是挺清楚的：StyleGAN论文学习笔记 - 小花的文章 - 知乎

                                ​​​​​​​        ​​​​​​​