上一页强调随机输入应当带来有意义的变化。StyleGAN 把不同控制入口放进生成器：样式变量与随机噪声承担不同角色。在原版论文的受控对照里，改变样式与只改变噪声可以影响不同层次的外观；比较时必须说明哪些输入固定、哪些改变。不能看两张不同图，就把所有差异归因于其中一个旋钮。课堂这一组来自原版 StyleGAN 论文结果，其余桌面编辑图则是机制示例。

对一张已有照片作编辑，还要先解决“怎样把它送进生成器”。反演寻找能够重建该照片的潜在表示。有的协议只优化表示，有的还调整生成器参数；这两种情况对后续比较意味着不同的条件，不能混写成同一过程。原版 StyleGAN 的 W 空间、样式调制及截断等设计也有具体版本范围，不能自动套到所有后来版本。

现在看桌面上的杯子。左边是输入，中间是反演重建，右边才是把杯色改变后的结果。杯沿在中间图已经变形，说明这一项误差在编辑前就存在；书角只在右图改变，才是这次改色带来的新增副作用。先比较输入→重建，再比较重建→编辑，才能把两个阶段的误差分开。 只把最终图与输入比较，会把所有问题都怪到最后一次改色。

“沿一个潜在方向就能让人变老，说明模型找到了年龄的真实因果变量吗？” 这至多先表明该表示中存在可用于编辑的相关结构。InterFaceGAN 等研究探索潜在方向与语义属性的关系；线性方向在某些范围可用，仍可能牵动其他属性。生成图中的可控相关性，不等于现实中独立改变年龄而保持所有其他原因不变。范围外泛化与因果主张需要另收证据。

这一章的部件也不会随 GAN 名称退场而消失。对抗反馈可以与像素、感知重建一起训练图像压缩器；压缩器给出表示，另一套生成过程学习如何产生这些表示，最后再解码。表示怎样取得、用什么目标训练、如何采样，是能够分别继承和组合的决定。系统用了对抗目标，不必意味着最终由传统 GAN 一次出图；用了某个解码器，也不能由它单独判断整套模型属于哪一类。

接下来转向扩散。我们会保留“输入、目标、更新和证据分开看”的习惯，研究另一种过程：从受扰动的状态出发，反复更新成一个完整候选。首先需要分清，训练的已知照片与生成的新随机起点是什么关系。