面部屬性編輯有兩點要求：1、目標屬性特徵應當正確出現在編輯後的人臉上；2、任何不相關的面部特徵均不應當在編輯後被修改。針對以上兩點要求，面部屬性編輯的解決方案有兩類：1、空間感知；2、潛在空間的因子分解。空間感知假設被編輯特徵有良好的區域性性，但對於諸如性別、年齡等全域性特徵效果不好。潛在空間的因子分解旨在探索一個已經訓練好的GAN模型的潛在空間，將其分解為與不同屬性相關的部分。但這種策略不是端到端的訓練，容易陷入區域性最優解。 文章的L2M-GAN以一種端到端的方式實現了對潛在空間的任意特徵的正交化拆解。

Methodology

　　文中並未提過網路細節，原始碼也未公開訓練程式碼，通過前項傳播的evaluate過程彙總出如下網路細節，僅供參考。

PersonalOpinions

　　本文的特徵解耦網路style transformer結構簡單直觀，用正交作損失進行優化，效果良好。人臉中的特徵相互關聯，尤其是一些全域性特徵，如年齡，身份，性別等無法通過空間感知進行特徵分割，L2M-GAN為複雜全域性特徵的分割提供了一條可行路徑，實現了編輯目標屬性特徵的同時，任何不相關的特徵均不應當被明顯修改。