图 5：发际线配对数据

图 6：刘海配对数据

图 7：头发蓬松配对数据

2. 配对数据增益

基于迭代重建，还能够获得配对数据所对应的 StyleGAN 隐向量，通过隐向量插值的方式还能实现数据增益，进而获得足够数量的配对数据。

以发际线调整的配对数据为例，如下图 8 所示，（a）和（g）是一组配对数据，（c）和（i）是一组配对数据，在每一组配对数据间，可以通过插值获得发际线不同程度调整的配对数据。如（d）和（f）分别是（a）和（g）、（c）和（i）之间的插值。

同样地，两组配对数据间也可以通过隐向量插值获得更多配对数据。如（b）和（h）分别是（a）和（c）、（g）和（i）通过插值获得的配对数据。此外，通过插值获得的配对数据也能够生成新的配对数据，如（e）是（b）和（h）通过差值获得的配对数据，基于此可以满足对理想的发际线调整配对数据的需求。

图 8：配对数据增益

3. image-to-image 生成

基于 StyleGan 的迭代重建获得配对数据后，就可以通过 pixel2piexlHD 模型进行有监督的学习训练，这种 image-to-image 的方式相对稳定且具有稳健性，但生成图像的清晰度还无法达到理想的效果，因此选择通过在 image-to-image 模型上采用 StyleGAN 的预训练模型来帮助实现生成细节的提升。传统的 StyleGAN 实现 image-to-image 的方式是通过 encoder 网络获得输入图的图像隐向量，然后直接编辑隐向量，最后实现目标属性图像生成，但由这种方式生成的图像与原图像比对往往相似度较低，无法满足基于原图像进行编辑的要求。

因此 MT Lab 对这种隐向量编辑的方式进行了改进，一方面直接将原图像 encode 到目标属性的隐向量，省去进行中间隐向量编辑的步骤；另一方面将 encoder 网络的特征与 StyleGAN 网络的特征进行融合，最终通过融合后的特征生成目标属性图像，以最大限度保证生成图像与原图像的相似度，整体网络结构与 GLEAN[12] 模型非常相似，该方式兼顾了图像高清细节生成与原图相似度还原两个主要问题，由此也完成了高清且具有真实细节纹理的头发生成全流程，具体如下图 9：