带你读《2022技术人的百宝黑皮书》——移动端人脸风格化技术的应用(3) https://developer.aliyun.com/article/1243349?groupCode=taobaotech
风格编辑及选型
原始风格不太好看是就没法用了
迁移训练后的模型风格就没法改了
No No No，每一个模型不止可以用来生成数据，也可沉淀为一个基础组件、基础能力。不止是想在原始风格上做微调、优化，甚至是想创造新的风格，都是可以的：
1. 模型融合：通过融合多个模型、设置不同的融合参数/层数、使用不同的融合方式等，可以实现对劣势风格模型做
优化，也可实现风格的调整；
2. 模型套娃：将不同风格的模型串联，使得最终输出的风格携带了中间模型的一些五官、色调等风格特征。
融合过程中实现对漫画风格的微调（瞳孔颜色、嘴唇、肤色色调等）
通过风格创造及微调，可以实现不同风格的模型，从而实现不同风格人脸数据的生产。
通过基于StyleGAN的迁移学习、风格编辑优化、数据生成，我们便可以获得我们的第一桶金：具有较高丰富度的、1024×1024分辨率的、风格选型后的风格化数据集。
基于非监督图像翻译的配对数据制作
非监督图像翻译技术通过学习两个域之间的映射关系，可以将一个域的图像转换到另一个域上，从而提供制作图像对的可能。例如该领域出名的CycleGAN具有如下的结构：
带你读《2022技术人的百宝黑皮书》——移动端人脸风格化技术的应用(5) https://developer.aliyun.com/article/1243347?groupCode=taobaotech
