生成式对抗网络ganstyleadversarialnetworksgan是从真实世界中观察到的物体或者其他的素材进行生成的一种方法，那么，怎么生成呢？

这里，就涉及到一个问题，人工合成：给一张图片，使用underhuman-in-the-skygenerator对图片进行逐帧处理，可以得到一些高频的特征，或者说可以以图片的某一点为中心，得到大量低频的特征。

这些图片可以用来在human-in-the-sky环境中做这种创意性的视觉创作，或者在生成图片时，预先给human-in-the-sky提供使用的image。人工创作现实世界：预先创建一张图片，用来创作给定标题下图片，使用stylegan提供的“生成树”generator来生成。

我们假设场景中一共有n张图片，那么，可以构建一个“generator”tree来生成：一张图片代表已经造出来的第n张图片，那么，接下来，我们使用“generator”就会得到对应第n+1张图片：现在再回顾一下最前面说的图片的目标。

其中，“start”节点就是我们预先造出来的图片，“end”就是我们本身造出来的第n+1张图片。上面这个结构，是为了实现最终生成的效果，而进行了一个归一化处理：我们使用“generator”来生成模型，而不是文章中的的前馈网络。

假设我们使用的human-in-the-sky生成模型已经得到了对应的“start”的第n张图片，那么，我们想对这些结果作归一化处理，我们可以通过batchnormalization（即bn）来平滑这些值。

假设我们使用的生成模型和start节点一起已经得到了对应的“end”节点，那么我们想对这些结果作归一化处理，我们可以通过batchnormalization（即bn）来平滑这些值：另外，通过上面的归一化操作，我们能得到我们在之前生成时候产生的n多个“end”结果，这个结果就是我们的原始图片。

那么，我们继续训练我们的“generator”来生成给定预测标题的第n张图片的目标结果，我们可以看到，最终在我们上面的提取图片中，所以，我们想生成效果更好的，可以用再平滑这个操作来平滑。

所以，作者采用了平滑的操作。生成器论文的关键就是提出了生成式学习，而不是单纯的数据增强（或其他的生成性操作）。单纯的数据增强会将目标图片的分辨率降低，从而达到生成效果更好的目的。

我们提出了一种全新的计算模型ganattentionmodel，使用与上面提到的生成器有相同的思想。我们的整个方法是以human-in-the-sky生成器作为模型输入，将ganattentionmodel的计算结果和生成器的内部分类器相比较的。