1.解决什么问题

作者所述大约解决了两个问题分别是：

• 1.水滴状模糊问题
• 2.生成图片中固定不动的问题
• 3.官方的逆向工程（就是从生成的图片获得一个latent code 或是从实际的图片获得一个latent code）

顺便说了：

• 1.加速训练的问题

2.怎么解决水滴状问题

2.1作者发现在训练的过程中水滴早就出现了，并分析原因

经过作者判断水滴的出现主要是因为在AdaIN当中改变分布的逐渐叠加，导致feature map当中的特征最终失去控制（变得很大），也有其他研究者证明在放弃style控制之后，这个问题可以得到有效的解决。

2.2作者提出了下面这个改进方法。

2.2.1先从总体上看一下网络结构的修改

用文章当的图说明这个过程，（a）是我们首席的styleGAN

• 1.作者首先提出了AdaIN可以拆分成标准化和分布迁移两个部分，并且分布迁移的过程中的bias迁移移动到了卷积后（作者认为卷积前加和卷积后加没什么区别）。所以从下图（a）变成了下图（b），
• 2.作者又提出了在迁移的过程中，mean的变化不太重要，所以可以去掉，模型就从（b）变成了（c）
• 3.把乘算迁移（mod std）和标准化（norm std）都移动到卷积内部，模型就从（c）变成了（d）
  

2.2.1重点理解网络修改当中的乘算迁移和标准化加入卷积的过程

在一切的开始我们应该理解一下文章当说到的ijk对应什么东西：

• 1.这里代表着输入通道是i
• 2.输出通道是j，
• 3.k我个人理解是卷积核内部的大小，也就是那个kernel_size。

首先第一步是风格迁移的加入：
和styleGAN1当中的AdaIN一样都是逐个通道进行变化，这里我们注意在图（c）当中mod std是在卷积的前面，所以应该在input channel上做手脚也就是wijk的i维度，对应每个输入的channel。

之后是标准化的加入
和styleGAN1当中的AdaIN一样都是逐个通道进行变化，只不过这次是逐输出通道变化。这里我们注意在图（c）当中norm std是在卷积的后面，所以应该在input channel上做手脚也就是wijk的j维度，对应每个输出的channel。
再想一下这个输出是怎么得到的：
我们看一下j中的任何一个输出，输出的第m个通道的结果，是如何得到的：需要w的角标{w1m，w2m，w3m，w4m…wim}分别和输入的i个通道卷积之后再加和得到输出的第m个通道的结果。这里我们注意任何一个输出，所有的i和所有的k都参与其中，因此我们就可以很好的理解文中的标准化设置方法。

当然最后还多加了一个无穷小量，来应对异常。