我感觉有利有弊,利在于这种全新的生成器框架能够给人启发,从信号的角度思考神经网络的设计,并且该模型惊艳的效果也很可能催生许多有意思的应用;弊端在于整个模型的设计太过复杂和手工,有种回到深度学习时代之前的错觉,难以follow。我认为StyleGAN3提出了一种解决生成网络没有很好Equivariance问题的方法,但这绝不是唯一的...
StyleGAN3论文解读 本文探索并尝试解决生成模型（GAN）的一个普遍问题：生成的过程并不是一个自然的层次化生成，粗糙特征（GAN的浅层网络的输出特征）主要控制了精细特征（GAN的深层网络的输出特征）的存在与否，没有严格控制他们出现的精确位置。作者们指出，目前的生成网络是整体训练的，深层网络特征的空间...