图 2：（1、3 行）非对齐插值：视觉关键点（例如眼睛）从一帧到下一帧的位置会改变。（2、4 行）不同的帧更容易比较，因为视觉关键点在相同位置。
图 3：（顶行）从独立参数化的帧开始；（中行）然后每个帧结合单个共享参数设定；（底行）创建一个视觉对齐的神经元插值。
通过在帧之间部分共享一个参数设定，我们促进可视化结果自然地对齐。直觉上，共享参数设定提供了视觉关键点位移的一个共同参照，但是单独的参数设定基于插值权重赋予每个帧自己的视觉效果。这种参数设定并没有改变目标函数，但确实放大了引力盆地（其中可视化是对齐的）。
这是可微参数化在可视化神经网络中作为有用辅助工具的第一个示例。
通过 3D 渲染进行纹理风格迁移
相关 colab 页面：https://colab.research.google.com/github/tensorflow/lucid/blob/master/notebooks/differentiable-parameterizations/style_transfer_3d.ipynb
现在我们已经构造了一个高效反向传播到 UV 映射纹理的框架，该框架可用于调整现有风格迁移技术来适应 3D 物体。与 2D 情况类似，我们的目标是用用户提供图像的风格进行原始物体纹理的再绘制。下图是该方法的概述：
该算法开始于随机初始化纹理。在每次迭代中，我们采样出一个指向物体边界框中心的随机视点，并渲染它的两个图像：一个是有原始纹理的内容图像（content image），另一个是有当前优化纹理的学习图像（learned image）。
在对内容图像和学习图像进行渲染后，我们对 Gatys 等人 [2] 的风格迁移目标函数进行了优化，并将参数化映射回 UV 映射纹理中。重复该过程，直到在目标纹理中实现期望的内容与风格融合。
