1.基于生成对抗网络隐空间解构的人脸属性精细化编辑方法，其特征在于包括如下步骤：S101，构建生成器模型G，用于通过生成码生成人脸图像；

S102，构建分类器模型C，用于通过人脸图像计算人脸属性的二分类结果；

S103，通过法向量n修改生成码z，得到一对生成码，用于添加或抑制人脸属性，公式如下：z'＝z+α*n                               (1)z是生成码，z'是修改后的生成码，n是法向量，对应不同的人脸属性，α是修改系数，用于控制人脸属性修改的程度，取α为‑1与1时，一对生成码为z‑n、z+n；

S104，将一对生成码z‑n、z+n带入训练后的生成器模型G，得到一对人脸图像；

S105，将一对人脸图像带入训练后的分类器模型C，得到某一人脸属性的二分类结果；

S106，计算损失函数最小值，公式如下：V(n)是损失函数，G是生成器，C是分类器；

S107，通过反向梯度算法重复S103至S106，优化法向量n分别沿正负方向对生成码z移*动，使人脸属性发生改变，将人脸属性改变程度最大时的法向量n作为目标法向量n；

*

S108，目标法向量n采用公式1得到修改后的生成码z'，通过生成器模型G生成具有目标*法向量n对应人脸属性的新的人脸图像。

2.如权利要求1所述的基于生成对抗网络隐空间解构的人脸属性精细化编辑方法，其特征在于所述α的取值介于‑3与3之间。

3.如权利要求1所述的基于生成对抗网络隐空间解构的人脸属性精细化编辑方法，其特征在于所述S108，对多个人脸属性修改时，采用融合属性法向量的方式综合修改生成码，公式如下：* * *

z'＝z+α1×n1+α2×n2+…+αk×nk    (3)*

z是待修改人脸的原始生成码，z'是修改后的生成码，共有k个属性被修改，ni和αi是第i个属性对应的目标法向量和移动系数。

4.如权利要求1所述的基于生成对抗网络隐空间解构的人脸属性精细化编辑方法，其特征在于所述S101，包括如下步骤：S201，在生成器的隐空间解构域，使用多维向量表示的随机生成码作为生成器模型G的输入；

S202，将生成码重组为特征图；

S203，对特征图进行卷积模块操作、卷积模块与上采样操作，得到人脸图像，所述卷积模块包括卷积、实例归一化和Relu操作。

5.如权利要求1所述的基于生成对抗网络隐空间解构的人脸属性精细化编辑方法，其特征在于所述S102，采用卷积神经网络结构，搭建用于判别人脸指定属性存在与否的二分类器，包括如下步骤：S301，输入人脸图像；

S302，将人脸图像进行卷积与平均池化操作，得到分辨率缩小的特征图；

S303，通过卷积与自适应平均池化操作，将特征图拉伸为向量；

S304，将向量送入一组全连接层并通过softmax输出二维向量，作为人脸是否具有指定属性的二分类结果。