Google针对生成对抗网络（Generative Adversarial Network，GAN）的高运算复杂度提出解决方案，将原本需要在服务器执行的脸部编辑模型轻量化，推出可在手机上运行的少样本脸部风格模型MediaPipe FaceStylizer，提供高品质脸部图片生成，并且通过MediaPipe平台公开，让用户能够自订部署到移动设备上。

生成对抗网络是一种深度学习模型，其包含生成器和鉴别器两部分，生成器负责生成图像，而鉴别器的任务则是分辨图像是不是真实的，也就是发现该图像是否由生成器所产生。而MediaPipe FaceStylizer针对脸部风格化设计，具有脸部生成器和脸部编码器两个主要组件。脸部编码器的主要功能用于生成对抗网络反转（GAN Inversion），将图像映射到生成器的潜在码（Latent Code）中。

生成对抗网络反转是指用于寻找导致模型输出的输入，这个输入再经过生成对抗网络的生成器时，会产生特定图像，换句话说，当存在一张图片，想要知道生成对抗网络的生成器中，可以产生该张图片的潜在码，这个过程便称为生成对抗网络反转。脸部编码器便是找出潜在码的角色，以便脸部生成器可以再次使用该潜在码，生成相同或是类似的脸部图像。

除此之外，研究人员为了优化生成器，特别设计了一些损失函数，并且结合常用的生成对抗网络损失函数，借以最小化生成器的错误，他们从一个较为复杂的StyleGAN模型，提炼出一个更轻量的生成器BlazeStyleGAN。轻量生成器虽然容量小、执行快，但生成的图片品质仍然很高。下图研究结果显示，BlazeStyleGAN生成的图像品质很好（图下），而且因为研究人员在损失函数的设计，进一步减少了StyleGAN可能产生的瑕疵和伪影（图上）。

从参数数量和计算FLOPs评估模型复杂度，与StyleGAN拥有3,340万参数相比，BlazeStyleGAN的复杂度大幅降低，在输出图片分辨率为256x256的情况下，仅需要约200万参数和1.28G FLOPs的BlazeStyleGAN模型。当输出分辨率为1024x1024，BlazeStyleGAN-1024可减少95%运算复杂度，而且输出图像品质与StyleGAN-1024模型没有明显差异，甚至抑制来自StyleGAN模型的伪影。

研究人员在高性能的设备上，对MediaPipe FaceStylizer的推论时间进行基准测试，BlazeStyleGAN-256和BlazeStyleGAN-512在所有拥有GPU的设备上都能达到即时运算，在更高端手机的执行时间甚至不到10毫秒。BlazeStyleGAN-256还可以在iOS设备上以CPU即时生成结果。

Google将会通过MediaPipe平台，向用户公开MediaPipe FaceStylizer。BlazeStyleGAN模型经过训练之后，只需要几行程序代码，就能通过MediaPipe Tasks FaceStylizer API部署已导出的TFLite模型到各平台的应用程序。