在这篇论文中，我们提出了一个框架，能够生成与给定的一次性样例相同分布的人脸图像。我们利用一个预先训练的StyleGAN模型，它已经学会了一般的面部分布。针对这一一次性目标，我们提出了一种快速调整模型权值的迭代优化方案，以使输出的高阶分布适应目标的高阶分布。为了生成相同分布的图像，我们引入了一种风格混合技术，将低水平的统计信息从目标传输到模型随机生成的人脸。这样，我们就能够生成无限数量的面孔，这些面孔既继承了一般人脸的分布，也继承了一次性人脸的分布。新生成的人脸可以作为其他下游任务的增强训练数据。这样的设置很有吸引力，因为它需要在目标域中标记很少的标记，甚至只需要一个示例，而在现实世界中，人脸操作通常是由各种未知的和独特的分布导致的。结果表明，本文提出的单样本自适应方法是一种有效的人脸操作检测方法，并与其他多镜头自适应方法进行了定性和定量的比较。