Transfer learning of StyleGAN has recently shown great potential to solve diverse tasks, especially in domain translation. Previous methods utilized a source model by swapping or freezing weights during transfer learning to preserve source domain features, however, they have limitations on visual quality and controlling the source features. In other words, they require additional models that are computationally demanding and have restricted control steps that prevent a smooth transition. In this paper, we propose a new approach to overcome these limitations. Instead of swapping or freezing, we introduce a simple feature matching loss to improve generation quality. In addition, to control the degree of the source features, we train a target model with the proposed strategy, FixNoise, to preserve the source features only in a disentangled subspace of a target feature space. Owing to the disentangled feature space, our method can smoothly control the degree of the source features in a single model. Extensive experiments demonstrate that the proposed method can generate more consistent and realistic images than previous works.
스타일 생성 모델의 전이 학습은 최근 특히 도메인 변환에서 다양한 작업을 해결할 수 있는 큰 잠재력을 보여 주었다. 이전의 방법들은 원천 도메인 특성을 보존하기 위해 전이 학습 동안 가중치를 교환하거나 동결하는 방식으로 원천 모델을 활용했지만, 시각적 품질 및 원천 특성 제어에 제한이 있다. 다시 말해, 이들은 추가 모델이 필요한데, 이는 계산량이 많이 필요하고 제어 단계가 제한되어 원활한 전환을 방해한다. 본 논문에서 는 이러한 한계를 극복하기 위한 새로운 접근 방식을 제안한다. 교체 또는 고정하는 방법 대신 생성 품질을 개선하기 위해 특징 일치 손실 함수을 도입한다. 또한 원천 특징의 정도를 제어하기 위해 대상 특징 공간의 분리된 부분 공간에서만 원천 특징을 보존하는 노이즈 고정 기법을 사용하여 대상 모델을 학습한다. 분리된 특징 공간으로 인해 우리의 방법은 단일 모델에서 원천 특징의 정도를 원활하게 제어할 수 있다. 광범위한 실험을 통해 제안된 방법이 이전 작업보다 일관되고 사실적인 이미지를 생성할 수 있음을 보여준다.