将下面这段内容总结为遇到什么问题怎么解决的带来什么效果：介绍调研过程中进一步发现针对UGATIT的优化算法集中在成年人变小孩的风格效果上尝试对该模型进行本地化训练和测试论文分析经过对论文的分析和相关对比实验的结果上看纯的风格迁移模型确实是可以拿来用作人像卡通化的那么也可以调研一下近几年效果比较出色的风格迁移模型。主要是对比实验中的drit效果在训练之后的效果挺不错的那么后续的dirt++以及UGA

问题：如何在本地化训练和测试UGATIT模型时，进一步优化算法，提升风格化效果？

解决方案：

1. 尝试对UGATIT模型进行本地化训练和测试，基于本地的sketch数据集进行训练，并验证人脸转素描的效果。
2. 分析论文和相关对比实验的结果，尝试对比实验中的drit效果在训练之后的效果，进行优化。
3. 引入adaptive discriminator augmentation等优化算法，提升模型的生成能力和效果。
4. 增加训练的epoch到200，增强模型收敛效果。
5. 增加训练数据的规模，拓展数据集到2400张，进一步优化算法效果。
6. 尝试在训练中增加模糊对抗损失项，增强生成能力。
7. 将输入图缩放到286，然后随机crop到256，提升模型的泛化性能。
8. 添加人像扣图模块屏蔽背景的梯度和loss信息，构建只针对与人像/人脸区域的风格化模型。
9. 尝试在数据加载逻辑中补充random-crop操作，拓展模型的泛化性能。
10. 对全图构建基于patch切片的多batch推理实现，