前言

基于的假设：
CLIP中虽然图像特征与文本特征不存在一一对应的关系，但相同的语义下，图像特征的变化方向与文本特征的变化方向是一致的，如下图右侧的man,woman所示
核心观点：
可以将stylegan中隐空间的语义变化方向投影至CLIP空间（下图左下角），这样若命令为man->woman,则可以首先计算CLIP中文本特征对应的变化方向$\Delta t$，再计算该$\Delta t$与CLIP中间中所有图像变化方向$\Delta i$的共线程度(即变化方向一致)，取出共线程度大的$\Delta i$，可以反推是stylegan中哪些维度改变得到的该变化。
实际应用时，如下图中的黑框所示，找到文本变化与stylegan隐空间特征的对应后，就能在逆向化的隐向量$s$上施加对应的改变，得到与文本语义一致的图像编辑结果。

第一阶段:预计算

这一阶段的核心思想：将stylegan中隐空间每个维度数值变化对应的图像语义变化方向投影至CLIP空间。
主要代码位于 SingleChannel.py中，计算完成后得到文件 fs3.npy (shape: [num_layers * channels_per_layer, 512]),该文件保存的内容可以理解为：单独改变一个latent code的channel，其对应图像的语义改变在CLIP空间中的方向。
举例：
因为stylegan的latent code具备良好的可分离性，因此假设对于每个channel值的改变都对应了一个图像特征的改变，例如layer1_channel2的值增加2，对应的图像是头发长一点；多个channel改变时可以得到high-level特征的变化，例如layer1_channel2的值增加2，layer3_channel1的值减少3，总体的效果就是一个图像变成女性。将每个channel变化带来的图像差异用clip编码，就能量化每个latent code中每个channel对应的语义

生成latents

这一步主要是stylegan中的东西，即将高斯噪声分布映射到style space中，style space中的latent code，具备了比较好的特征可分离性，可编辑性，以及可插值性等，比较适合图像编辑任务。
对应代码：Manipulator.GenerateS()

整体流程如下图所示，实际代码中用了100张图做计算(为了计算均值与标准差)，下图以1张图为例，即随机噪声为(1,512)

计算均值与标准差

对应代码：Manipulator.GetCodeMS()
计算的是，所有图片在layer_i, channel_j上的均值与标准差，如下图所示，以三张图像为例，计算layer0,channel1上的均值和标准差
(26, 100, 512)-->GetCodeMS()-->(26, 512)
(ps:实际上有的层dim=256或更小，实际计算时是一层一层来的)

计算$\Delta i$

核心思想如下图所示，下图是以某一层layer为例，假设该layer的dim=512：

对于每一层，每个channel的初始值为上一步预先计算好的channel均值。为了得到每一个channel会对最终的图像语义有怎样的影响，采用了如下的方案：
1、遍历每一层，取出layer
2、每次改变layer的某一个channel，以channel=0为例
3、改变方法为，对于该channel分别加上与减去 5*标准差，其余channel的值保持均值不变(manipulate.py Manipulator.MSCode())
4、用上一步得到的两个latents: $s_0^{+}$, $s_0^{-}$输入stylegan的生成器G，得到对应的图像
5、上述两个图像由CLIP的图像编码器进行编码，得到对应的特征:$i_0^{+}$,$i_0^{-}$ (SingleChannel.py GetImgF())
6、特征相减，得到图像改变对应在CLIP空间中的变化方向: $\Delta i_0$ (SingleChannel.py GetFs())

第二阶段:计算与文本的对应关系

计算命令文本（ “person”->“person with smile”）的在CLIP空间中的变化方向（StyleCLIP.py GetDt()）与第一阶段计算得到的图像变化方向的共线程度（StyleCLIP.py GetBoundary()），共线程度大的图像变化方向为我们需要的结果（而该结果由latent code每个channel改变值计算得到的），取出对应latent code change index，即可对任意的输入图像逆向化后，给latent code对应的index上施加变化(Manipulator.GenerateImg())，得到目标所需的编辑图像