Method
现有人脸编辑方法缺乏对面部结构或外观的直接控制，语义属性间关联性强导致编辑一种属性时影响其他属性，且交互复杂耗时，不能满足易用性和即时性要求。
核心思想是将人脸语义在图像域分离为结构特征（边缘、纹理）和外观特征（色调、色彩），分别编码后通过语义融合器基于MLP-Mixer机制融合，映射到StyleGAN2的W+潜在空间，实现精准的局部语义编辑。
Local Encoder
局部编码器
包含结构编码器（基于FPN+ResNet提取多尺度结构特征）和外观编码器（浅层卷积+GAP提取独立于结构的外观特征），分别生成结构和外观向量。
Semantic Fuser
语义融合器
基于MLP-Mixer的SE-MLP模块，通过SemanMixer中的Modulation机制将外观特征融入结构特征，映射到StyleGAN2的W+潜在空间。
Detail Optimization
细节优化
提供基于优化（PTI+Gram矩阵损失，质量更高）和基于编码器（结构残差编码+门控融合，速度更快）两种方式优化生成图像细节。
ISFL模型由三部分组成：局部编码器分别提取结构和外观特征，语义融合器通过Modulation机制将外观融入结构并映射到W+空间，全局生成器使用预训练StyleGAN2生成图像。编码器学习的是相对于平均潜在向量的偏移量，加速训练收敛。
SE-MLP模块在MLP-Mixer基础上增加SemanMixer融合模块。SemanMixer将结构特征分为低分辨率和高分辨率两部分，仅将高分辨率部分输入Modulation融合模块与外观特征交互，低分辨率部分直接传递，确保全局结构语义和局部结构语义间的自然过渡。
Modulation机制将外观特征编码为风格编码，通过计算解调因子调制全连接层权重，实现外观对结构特征的注入。这种设计参考了StyleGAN2中的风格注入机制，但应用于MLP而非卷积层。
