解纠缠也对应于属性编辑，比如人脸的属性编辑，将人脸变微笑、变衰老，其中每一个属性变化也对应了一种有意义的latent direction 。想要应用这种direction可以分为两种方式：有监督的linear-probe（线性探针）和无监督的PCA方式。

总结来讲，它们都是通过找到某种属性变化对应的语义方向，然后让给定的图像向这个方向偏移，从而得到该属性变化。

To infer them, we explore two techniques: supervised, by normalizing the linear-probe’s weight matrix, and unsupervised, through PCA decomposition [100] (details at Appendix E.3).

cite：【2023 】 + SODA Bottleneck Diffusion Models for Representation Learning

1、有监督的linear-probe（线性探针）

线性探针（linear probe）是一种简单的线性分类器，需要预先知道图像对应的标签，通常用于评估神经网络的表示学习效果。在这里，线性探针用于识别潜在空间中的语义方向

1. 训练一个线性分类器：

   • 先在潜在空间中训练一个线性分类器（线性探针），该分类器的任务是区分不同的语义属性。例如，“微笑”与“无微笑”，“变老”与“未变老”等。
   • 线性探针的输入是潜在空间的表示，输出是这些表示的语义标签。

2. 获取权重矩阵（有点类似于nn.Embedding()）：

   训练好的线性探针会有一个权重矩阵，这个权重矩阵表示了每个潜在表示与分类标签之间的关系。权重矩阵中的每一行对应一个分类标签，每一列对应输入特征的一个维度。

3. 标准化权重矩阵：

   对线性探针的权重矩阵进行标准化，得到每个语义属性对应的方向向量。
   
   标准化的过程通常是将每列向量除以其范数，以确保每个方向向量的长度相同，从而在潜在空间中保持一致的尺度。

2、无监督的PCA方式

训练：

1. 采样1000-10000个图像
2. encoder为latent z
3. 然后通过PCA得到最大的变化方向 
4. 沿着最大变化方向进行移动可以得到一系列的latent code z，变化的方向为 z + s_j * t，其中 ，是特征值、是沿着s_j方向的标准差
5. 然后decoder这些z得到一系列图像
6. 通过肉眼观察这些图像是什么属性发生了变化，这样就会知道这种direction对应的是哪种属性变化

推理：

这样在采样过程中就可以通过给定一个图像，然后得到要被改变的属性的一系列图像。

cite：【2023 】 + SODA Bottleneck Diffusion Models for Representation Learning

人脸属性编辑的属性怎么做的？_stylegan2的人脸属性编辑-CSDN博客