解耦更彻底
通过显式学习潜在空间的正交子空间结构，在GAN训练中同时保证因子可解释性与变异独立性，实现更好的解耦。
Jiang, Hongxiang · 罗晓燕 · 尹继豪 · Fu, Huazhu · 王福祥
IEEE Transactions on Neural Networks and Learning Systems 2025
在潜在空间中自适应学习一组正交基张成的一维线性子空间，子空间之间冗余更少，从而表达对应的独立性。
在FactorVAE、SAP、MIG、VP四个解耦指标上均取得更高分数，超过现有GAN-based乃至VAE-based方法。
交替优化保持前向推理的成本和效率不变，不增加计算复杂度。