Die Gesichtsattribute-Editierung zielt darauf ab, Gesichter mit einem oder mehreren gewünschten Gesichtsmerkmalen zu generieren, wobei andere Details erhalten bleiben. Im Gegensatz zu früheren Ansätzen wie der GAN-Inversion, die einen aufwendigen Rückwärtsabbildungsprozess erfordert, schlagen wir ein einfaches Feed-Forward-Netzwerk vor, um hochfidelitätsreiche manipulierte Gesichter zu erzeugen. Durch die einfache Nutzung bereits vorhandener und leicht zugänglicher Vorwissen kann unsere Methode verschiedene Attribute von Gesichtern in natürlicher Umgebung kontrollieren, übertragen und editieren. Die vorgeschlagene Methode lässt sich daher für vielfältige Anwendungen wie Gesichtsaustausch, Gesichtsbeleuchtungsumstellung und Make-up-Transfer einsetzen. In unserer Methode trennen wir Identität, Ausdruck, Pose und Beleuchtung mittels 3D-Vorwissen; Texturen und Farben werden durch regionenweise Stilcodes getrennt. Alle Informationen werden durch unseren Identity-Style-Normalisierungsmodul in das adversarische Lernen integriert. Disentanglement-Verluste werden vorgeschlagen, um den Generator zu stärken, um Informationen unabhängig von jedem einzelnen Merkmal zu extrahieren. Umfassende quantitative und qualitative Evaluierungen wurden durchgeführt. In einem einzigen Rahmen erreicht unsere Methode die besten oder wettbewerbsfähigen Ergebnisse bei einer Vielzahl von Gesichtsanwendungen.