🧠AI 冷知识
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
📜
不存在的面孔StyleGAN由NVIDIA于2019年提出，引入了"风格注入"机制——在不同的网络层注入不同的风格向量，分别控制粗粒度(姿势、脸型)和细粒度(发色、肤色)特征。网站thispersondoesnotexist.com每次刷新都生成一张不存在的人脸，用的就是StyleGAN。CycleGAN则解决了一个更难的问题：无配对的图像翻译——没有"马"和"斑马"的配对图片，却能把马变成斑马。它用"循环一致性损失"约束翻译：马→斑马→马应该恢复原图。这些变体展示了GAN架构创新的丰富想象力。
来源：Karras et al., "A Style-Based Generator Architecture for GANs", CVPR 2019
一句话总结
💡
GAN 变体如 DCGAN 用卷积提升图像质量、WGAN 用 Wasserstein 距离稳定训练、StyleGAN 引入风格控制实现高质量人脸生成。
常见误区
这些坑别踩
✗
误区 1
所有 GAN 变体原理完全不同。
✓
正确理解
它们共享对抗思想，主要在损失函数、架构和正则上改进。
✗
误区 2
WGAN 一定比原始 GAN 好。
✓
正确理解
WGAN 更稳定但样本质量未必更高，且需满足 Lipschitz 约束的额外开销。
✗
误区 3
StyleGAN 只能生成人脸。
✓
正确理解
StyleGAN 的样式注入机制可迁移到其他领域，只是人脸数据上效果最惊艳。