JoJoGAN 是一种One-Shot风格迁移模型，可让将人脸图像的风格迁移为另一种风格。
训练时，模型接收一个样式参考图像并快速生成一个样式映射器，在推理时映射器将接受输入并将样式应用于输入，输入图像与样式结合，生成最终图像。
虽然叫做JoJoGAN，但它可以学习任何风格，例如下图。
JoJoGAN 工作流程
第 1 步：GAN 反演
通常，GAN 从输入的潜在噪声中生成图像。GAN反演意味着从给定的图像中获得相应的潜在噪声。
对样式参考图像 y 进行编码以获得潜在样式代码 w = T(y)，然后从中获得一组样式参数 s。
对于 GAN 逆变器（编码器 T）的选择，论文的研究人员比较了 e4e、II2S 和 ReStyle。他们发现 ReStyle 提供了最准确的重建，从而更好地保留了输入的特征和属性。
第 2 步：训练集
通过使用 StyleGAN 的风格混合机制，可以创建一个训练集来微调 StyleGAN。
假设 StyleGAN 有 26 个风格调制层，那么定义一个掩码 M {0, 1}²⁶，它是一个长度为 26 的数组，存储 0 或 1。通过在不同层中打开 (1) 和关闭 (0) M ，我们可以混合 s 和 s(FC(zᵢ)) 为我们的训练集创建许多对 (sᵢ, y)。使用 sᵢ = M · s+(1−M) · s(FC(zᵢ)).生成新的样式代码。
StyleGAN 只是在不同的风格调制层中混合不同的风格代码以创建不同的输出，这里就不详细介绍了，如果又几乎我们再找相关的文章进行详细介绍。
第 3 步：微调
通过使用训练集 s，可以微调 StyleGAN 强制从这些风格混合代码 s 中生成接近风格参考图像 y。
微调步骤就是学习了从任何风格的图像到特定风格的图像的映射（即风格参考 y），但保留了整体空间内容（即该人的面部/身份）。
第 4 步：风格化新面孔
在微调 StyleGAN 之后，可以简单地将输入反转为样式代码，然后使用微调后的 StyleGAN 生成图像（它将目标样式应用于生成的图像）。
结果展示
看着效果要比其他一些模型好一些。
最后我们再看一下JOJO效果的对比（笑）:
虚假的GAN研究：
真实的需求，我们真正需要的风格迁移：
论文地址如下，有兴趣的看看吧
[1] M. Chong and D. Forsyth, “JoJoGAN: One-Shot Face Stylization”, arXiv.org, 2022. https://arxiv.org/abs/2112.11641
源代码也已发布
https://github.com/mchong6/JoJoGAN
作者：Steins