Google針對生成對抗網路（Generative Adversarial Network，GAN）的高運算複雜度提出解決方案，將原本需要在伺服器執行的臉部編輯模型輕量化，推出可在手機上運行的少樣本臉部風格模型MediaPipe FaceStylizer，提供高品質臉部圖片生成，並且通過MediaPipe平台公開，讓用戶能夠自訂部署到移動設備上。
生成對抗網路是一種深度學習模型，其包含生成器和鑑別器兩部分，生成器負責生成圖像，而鑑別器的任務則是分辨圖像是不是真實的，也就是發現該圖像是否由生成器所產生。而MediaPipe FaceStylizer針對臉部風格化設計，具有臉部生成器和臉部編碼器兩個主要組件。臉部編碼器的主要功能用於生成對抗網路反轉（GAN Inversion），將圖像映射到生成器的潛在碼（Latent Code）中。
生成對抗網路反轉是指用於尋找導致模型輸出的輸入，這個輸入再經過生成對抗網路的生成器時，會產生特定圖像，換句話說，當存在一張圖片，想要知道生成對抗網路的生成器中，可以產生該張圖片的潛在碼，這個過程便稱為生成對抗網路反轉。臉部編碼器便是找出潛在碼的角色，以便臉部生成器可以再次使用該潛在碼，生成相同或是類似的臉部圖像。
除此之外，研究人員為了優化生成器，特別設計了一些損失函數，並且結合常用的生成對抗網路損失函數，藉以最小化生成器的錯誤，他們從一個較為複雜的StyleGAN模型，提煉出一個更輕量的生成器BlazeStyleGAN。輕量生成器雖然容量小、執行快，但生成的圖片品質仍然很高。下圖研究結果顯示，BlazeStyleGAN生成的圖像品質很好（圖下），而且因為研究人員在損失函數的設計，進一步減少了StyleGAN可能產生的瑕疵和偽影（圖上）。
從參數數量和計算FLOPs評估模型複雜度，與StyleGAN擁有3,340萬參數相比，BlazeStyleGAN的複雜度大幅降低，在輸出圖片解析度為256x256的情況下，僅需要約200萬參數和1.28G FLOPs的BlazeStyleGAN模型。當輸出解析度為1024x1024，BlazeStyleGAN-1024可減少95%運算複雜度，而且輸出圖像品質與StyleGAN-1024模型沒有明顯差異，甚至抑制來自StyleGAN模型的偽影。
研究人員在高性能的設備上，對MediaPipe FaceStylizer的推論時間進行基準測試，BlazeStyleGAN-256和BlazeStyleGAN-512在所有擁有GPU的設備上都能達到即時運算，在更高端手機的執行時間甚至不到10毫秒。BlazeStyleGAN-256還可以在iOS設備上以CPU即時生成結果。
Google將會通過MediaPipe平台，向用戶公開MediaPipe FaceStylizer。BlazeStyleGAN模型經過訓練之後，只需要幾行程序代碼，就能通過MediaPipe Tasks FaceStylizer API部署已導出的TFLite模型到各平台的應用程序。
