在图像生陋习模，拖拽图以 Stable Diffusion 为代表的现精散漫模子未然成为之后占有主导位置的范式。但散漫模子依赖迭代推理，准P者亲自揭尽管此措施可能实现具备重大目的文作的晃动磨炼
，但推理历程需要高昂的秘技合计老本。

在 Stable Diffusion 以前 ，拖拽图天生坚持收集（GAN）是现精图像天生模子中罕用的根基架构。比照于散漫模子，准P者亲自揭GAN 经由单个前向传递天生图像 ，文作因此本性上是秘技更高效的 。但由于磨炼历程的拖拽图不晃动性，扩展 GAN 需要子细调解收集架谈判磨炼因素 。现精因此
，准P者亲自揭GAN 措施很难扩展到颇为重大的文作数据集上 ，这是秘技 GAN 败落的原因之一
。

之后，GAN 次若是经由手动诠释磨炼数据或者先验 3D 模子来保障其可控性，这个别缺少锐敏性、精确性以及通用性
。可是，一些钻研者看重 GAN 在图像天生上的高效性 ，做出了良多改善 GAN 的试验
。

其中，来自马克斯普朗克合计机迷信钻研所、MIT CSAIL 以及google等机构的钻研者们提出了一种强盛的操作 GANs 的方式，即以用户交互的方式拖动图像的任何关键点以精确抵达目的点 。

为了实现这一点  ，该钻研提出了 DragGAN，它搜罗两个主要组成部份：1）基于特色的行动把守，用于驱动关键点向目的位置挪移；2）一种新的点追踪措施，运用 GAN 的特色来定位关键点的位置。

经由 DragGAN，任何人都可能精确操作像素的挪移位置来变形图像，从而操控种种空间属性，如植物 、汽车、人类、风物等的姿态、形态、神色以及妄想 。由于这些操控在 GAN 的天生图像流形上妨碍，因此 DragGAN 可能天生被遮挡的内容以及以及保障物体的形变适宜物体的妄想 。定性以及定量比力都表明 ，DragGAN 在图像操控以及点追踪使命上优于先前的措施。此外 ，该钻研还揭示了经由 GAN 重修操控着实图像的例子。

为了让巨匠更好的清晰这一钻研，机械之心最新一期线上分享聘用到了 DragGAN 论文第一作者潘新钢，经由本次分享，巨匠可能更深入的清晰这一项钻研
。