研究什么内容
研究如何把生成图片当中的内容拆分开
研究方法
为了把各种风格分开先得把控制信息分开输入，于是作者就分开输入了，在PGGAN的基础上分开输入，取得了好的效果。
个人理解
- 1.这里能取得好效果的主要原因是PGGAN的逐渐提升像素的训练模型。
- 2.这里一开始的时候分辨率低，所以一影响，影响的比较大，所以更能决定性别、脸的朝向这些大的特征。（4×4的时候如果影响其中一个像素在1024×1024当中将会影响256×256，所以可以决定这些大的方向）
- 3.之后越往后分辨率越高，影响的就会更加细粒度的内容，如：头发等，整体的大方向不变了。改变的是那些改变一类像素就可以改变的信息，例如改变表示头发的像素就可以改变像素。需要改变好几种像素才能改变脸部朝向，所以不能改变脸部朝向。
这里更像是作画的时候从一个大的轮廓到小细节的不断作画的过程
网络模型
介绍网络各部分
这里的（a）traditional说的是PGGAN
（b）里的左侧是分布变化网路
（b）里面的A是经过映射网络得到的一个长度为（2*channel）的向量
（b）里面的AdaIN是style迁移模块
（b）里面的B是一个噪声，他的大小是（dim×dim×channel），也就是和当前层网络内传递的内容是一样一样的。
分布变化网络
这里主要是把Z分布变成一个W分布，Z分布是高斯分布也就是正态分布，就是我们随机取一个值，之后经过这个网络把他变成W，这个W是实际上控制图像风格的东西。
- 1.作者自述这里的好处是控制输入更加贴近当前数据集，生成的内容也就更加接近真实。也就是说高斯分布不太适应这种操作，换成这里针对数据集而单独训练出来的W分布更好。
- 2.另外这里也是在之后被证明是更加能促进style分离的，更能完成论文的分离出样式的操作
映射网络
这里主要是决定不同层的Synthesis network到底改变什么，也就是让网络更加适应这个输入。（实际上就是对w做了一个仿射变化变为A）
style迁移模块
风格迁移模块，实际上就是分布迁移模块，实际上就是通过改变分布最终改变风格：
另外我们需要注意一下这里的i是卷积的通道的角标，就是每个通道做的是不同的风格迁移，而不是所有整个feature map做相同的风格迁移，是按照通道进行的风格迁移。
噪声
这里的噪声注意是每个像素单独准备一个噪声，噪声的大小和原有的Synthesis network当中传递的内容是大小完全不同的，不同像素不同，不同通道之间也不同。
效果（下面所说的浅层是网络一开始的地方）
浅层网络结合输入的A决定大方向，深层网络结合输入的A决定小细节
这里是用SourceB来干扰SourceA，先干扰浅层，再干扰奢深层
个人理解
这里一开始的时候分辨率低，所以一影响，影响的比较大，所以更能决定性别、脸的朝向这些大的特征，之后越往后分辨率越高，影响的就会更加细粒度的内容，如：头发等，整体的大方向不变了。（这里更像是作画的时候从一个大的轮廓到小细节的不断作画的过程）
噪声可以生成细节，浅层网络的噪声决定大细节，深层网络的噪声决定小细节
a）都有噪声
b）都没噪声
c）深层有噪声
d）浅层有噪声
个人对这个噪声的理解
我觉得这里还是因为一开始的分辨率低，一个噪声在未来的结果当中会影响一大块，所以一个噪声影响一个大细节