本文提出了一种新的无监督学习范例（USIS），通过使用自监督分割损失和基于整个图像小波的鉴别方法，结合在小波域中的生成器结构，实现了语义图像合成（SIS）的无配对数据情况下的性能提升。在三个数据集上进行测试，证明了新方法的有效性。

该文章介绍了一种基于新型潜在扩散模型结构的人脸生成和编辑的语义图像合成框架。该框架使用了SPADE归一化和交叉注意力层，能够精确控制人脸的每个语义部分，实现对真实参考图像的重现、操纵和多样化生成。实验证明，该框架在质量和数量上优于现有技术。

本文提出了一种新的无监督学习范例（USIS），通过使用自监督分割损失和基于整个图像小波的鉴别方法，结合在小波域中的生成器结构，实现了语义图像合成（SIS）的无配对数据情况下的性能提升。在三个数据集上进行测试，证明了新方法的有效性。