为加强研究生学术交流活动，推进学术创新，特开通“研究生学术报告预告区”。我校研究生和教师可以在预告区及时发布和了解有关研究生学术报告的信息，届时参加。也可就某学术报告展开专题讨论与交流。
本次学术报告主要介绍了一种基于风格与结构生成对抗网络的图像生成模型。
目前的图像生成框架通常使用端到端学习的方式，并通过随机噪声来生成图像。 然而，这些方法忽略了图像构成的最基本原则。图像一般由以下部分构成：（a）结构：潜在的3D模型; （b）风格：结构上的纹理细节。 在本文中，通过对图像生成过程进行分解，提出了风格与结构生成对抗网络（S2-GAN）。
本文的S2-GAN有两部分构成：Structure-GAN生成法线纹理; Style-GAN将法线纹理作为输入，并生成2D图像。 除了真是32D图像的对抗损失函数之外，还额外增加了法线纹理对抗损失。 这两个GAN是经过独立训练，然后通过联合学习合并在一起。 本文的S2-GAN模型是可解释的，可以生成更逼真的图像，并可用于学习无监督的RGBD表示。