#主要思想 本文主要是通过Conditional adversarial autoencoder来生成不同年龄段的人脸
#论文内容思考
face images lie on a high-dimensional manifold 此假设是否靠谱
文章后面是否有证明，不记得了，可能是用实验结果来说明的
not requiring paired samples in the training data or labeled face in the test data 测试集是怎么不需要label信息的，作者是如何处理的，
preserving personality 与GAN从随机噪声生成不同，本文是利用编码器的输出作为z
在未读本文前，对GAN相关文献中，我就在想，从正太分布中随机采样，造成生成图片情形成千上万，使得GAN不稳定，可不可以把输入图像reshape输入生成器，哪知早已有人如此做了
robusted against variations in pose， expression， and occlusion 本文中虽然做了实验，但这些变化都是很轻微的程度
？TV(·) denotes the total variation which is effective in removing the ghosting artifacts
技巧
E 和 G中不使用 batch norm ，因为其会造成图片模糊 Dimg 会更稳定，使用batch norm
测试
测试时仅使用E和G，怎么做到的
##补充 保留身份信息处理方法 均匀分布和正太分布
