stylegan-encoder代码执行步骤和解释

（一）从图片中抽取并对齐人脸：

（二）找到对齐人脸图片的latent表达：

（三）从对齐的人脸头像提取特征码并生成StyleGAN头像：

（四）用别人的特征码修饰你的照片特征码，并生成混合后的StyleGAN头像：

在github.com 上有若干开源项目提供了源代码，我选用的开源项目是：pbaylies/stylegan-encoder，对应的网址是：https://github.com/pbaylies/stylegan-encoder

他们把解决办法称之为“stochastic clipping”（随机剪裁），其基本原理大致是：
特征码（特征向量）中每个数值通常处于一个有限的空间内，论文指出通常分布在[-1.0, 1.0]这个变动区间内，因此可以从某个特征向量开始（甚至于从全零向量开始），

先把超出[-1.0, 1.0]范围的数值剪裁到[-1.0, 1.0]区间，
然后以这个特征向量为基准值（平均值），在[-1.0, 1.0]这个变动区间内，按正态分布的规律随机取得新向量，
计算新向量通过GAN生成的新图片与原图片之间的损失函数，然后用梯度下降的方法寻找使损失函数最小的最优解。

论文指出，他们可以使损失函数降低到0，这样就找到了真实人脸对应的“相当精确”的特征码。

在这个开源项目里，作者把变动区间调整为[-2.0, 2.0]。有读者指出更好的变动区间是 [-0.25, 1.5]，在这个区间内能够取得更优的质量。

这个开源项目实现的效果如下图所示（左一为源图；中间是基于预训练ResNet从源图“反向”生成dlatents，然后再用这个dlatents生成的“假脸”图片；右一是经随机剪裁方法最终找到的人脸dlatens，并用这个人脸dlatents生成的极为接近源图的“假脸”）

下面介绍具体执行步骤：

在工作目录下，新建.\raw_images目录，并把需要提取特征码的真实人脸图片copy到这个目录下。

使用时，可以按一下步骤操作：

（一）从图片中抽取并对齐人脸：

python align_images.py raw_images/ aligned_images/

（二）生成对齐人脸图片的生成的图片和latent表达：

python encode_images.py aligned_images/ generated_images/ latent_representations/

（三）从对齐的人脸头像提取特征码并生成StyleGAN头像：

python encode_images.py aligned_images/ generated_images/ latent_representations/ --iterations 300 --use_mssim_loss 300

（四）用别人的特征码修饰你的照片特征码，并生成混合后的StyleGAN头像：

python mixed_image.py

注意：这里的mixed_image.py是https://blog.csdn.net/weixin_41943311/article/details/103348865下的复制的代码的我自己起的文件名

这个StyleGAN Encoder的核心代码结构如下图所示：

其中一些具体的修改步骤参考：https://blog.csdn.net/weixin_41943311/article/details/103030194

如果你有网关可以在goole等连接，那么上述步骤可以省略

备注：

（2.1）预训练的resnet50模型，用于从源图生成优化迭代的初始dlatents，
对应于karras2019stylegan-ffhq-1024x1024.pkl的反向模型finetuned_resnet.h5

（2.2）预训练的StyleGAN模型，用于从dlatents生成“假”的人脸图片
预训练的StyleGAN人脸生成模型karras2019stylegan-ffhq-1024x1024.pkl

（2.3）预训练的VGG16模型，用于从图片提取features
用于评估图片相似性的vgg16_zhang_perceptual.pkl

Pre-trained VGG16 network is used for transforming a reference image and generated image into high-level features space

反算潜码并重生成人脸这步主要使用encode-image.py

流程大概是:

使用反投影模型（RestNet50）将原始图片反投影出一个初始latent_code.
用生成器模型（pkl文件）根据初始latent_code生成一张图片.
使用vgg16对比生成图和原图的差距作为loss,反向传播优化latent_code.
用生成器模型根据新的latent_code生成一张图片.

第3,4步默认迭代100次,可以用--iterations参数进行更改.

参考：https://blog.csdn.net/weixin_41943311

原文链接：https://blog.csdn.net/DLW__/article/details/104161387