上一篇博客介绍了style gan 原理，但是 style gan 的结果会有水珠伪影，作者实验后发现是 Adain 导致的，AdaIN对每一个feature map的通道进行归一化，这样可能破坏掉feature之间的信息。当然实验证明发现，去除AdaIN的归一化操作后，水珠就消失了。因此 style gan2 中主要优化改善了这个问题。

        Adain计算公式如下：

        网络结构如下图所示。

        

• 图a是原始的 styleGAN1 的结构图；
• 图b是 styleGAN1 的细节图，把 AdaIN 拆分成了 Norm mean/std 和 Mod mean/std 两部分，Norm 是做的归一化操作，而 Mod 则是从 latent code 计算 shift 和 scal e参数的步骤。
• 图c,现在我们修改一下模型，我们去除对于 mean 的 norm 和 mod 的操作，只留下对方差的操作。
• 图d则是在c的基础上，进一步提出了 weight demodulation 的操作。

        那为什么要 weight demodulation呢？因为文中作者指出 style modulation 可能会放大某些特征的影像，所以 style mixing 的话，我们必须明确的消除这种影像，否则后续层的特征无法有效的控制图像。如果他们想要牺牲 scale-specific 的控制能力，他们可以简单的移除 normalization，就可以去除掉水滴伪影，这还可以使得FID有着微弱的提高。现在他们提出了一个更好的替代品，移除伪影的同时，保留完全的可控性。这个就是 weight demodulation。

        modulation 可以影响着卷积层的输入特征图。所以，其实 Mod 和卷积是可以继续融合的。比方说，input先被Mod放大了3倍，然后在进行卷积，这个等价于input直接被放大了3倍的卷积核进行卷积。Modulation和卷积都是在通道维度进行操作。所以有如下公式（隐层码w仿射变换为s，而后乘在卷积核参数w上）：

        接下来的norm部分也做了修改：

        这里替换了对特征图做归一化，而是去卷积的参数做了一个归一化，先前有研究提出，这样会有助于GAN的训练。

        至此，我们发现，Mod和norm部分的操作，其实都可以融合到卷积核上。

        style gan2 的其他优化点以后再说。