网易《Face-to-Parameter Translation for Game Character Auto-Creation》论文复现
G：Imitator网络
输入：连续参数208d（归一化到0~1），离散参数102d；
输出：游戏角色正脸图像（512x512x3）；
SGD，batch_size=16，momentum=0.9，learning_rate=0.01 decay 10% per 50epochs，max_epochs=500；
F1：lightcnn，做人脸识别，确保生成前后为同一个人，算余弦损失；
输入：128x128x1灰度图；
输出：256d向量；
F2：faceparse，做面部语义分割（任意网络即可，deeplab、BiSeNet、RTNet等），算带权重的L1损失；（不算L2的原因：L1的稀疏性，能突出五官的特征；而L2是平滑性）
输入：256x256x3 RGB图像；
输出：语义分割结果；
语义概率图增强人脸特征，采用不同权重突出五官的特征；
也可使用交叉熵损失，衡量将每个像素点分类为不同类型的概率分布距离；
Face alignment：dlib
（1）对人脸鲁棒性低：人脸姿态、遮挡敏感；
（2）离散参数求解未能有效解决；
（3）需要多次迭代优化：基于梯度下降的算法运算效率低；
（4）只适合真人向的游戏角色；
Imitator基于DCGAN的G网络，网络结构简单，特征表达能力有限，导致生成的图像模糊，五官畸形严重。
解决办法：
1、采用DCGAN的D网络，学习从图像到参数的映射，来代替基于梯度下降的优化过程；
2、参照第二篇论文，《Fast and Robust Face-to-Parameter Translation for Game Character Auto-Creation》，新增T网络，学习face-recognition到参数的映射关系。