2. 程式人生 > >不可錯過的 GAN 資源：教程、視訊、程式碼實現、89 篇論文下載

不可錯過的 GAN 資源：教程、視訊、程式碼實現、89 篇論文下載

阿新 • • 發佈：2018-11-27

  • NIP 2016 對抗訓練 Workshop

    　　【網頁】https://sites.google.com/site/nips2016adversarial/

    　　【部落格】http://www.inference.vc/my-summary-of-adversarial-training-nips-workshop/

　　教程 & 部落格

  • 如何訓練 GAN？ 讓 GAN 工作的提示和技巧

    　　【部落格】https://github.com/soumith/ganhacks

  • NIPS 2016 教程：生成對抗網路

    　　【arXiv】https://arxiv.org/abs/1701.00160

  • 深度學習和 GAN 背後的直覺知識——一個基礎理解

    　　【部落格】https://blog.waya.ai/introduction-to-gans-a-boxing-match-b-w-neural-nets-b4e5319cc935

  • OpenAI——生成模型

    　　【部落格】https://openai.com/blog/generative-models/

  • SimGANs——無監督學習的遊戲規則顛覆者，無人車等

    　　【部落格】https://blog.waya.ai/simgans-applied-to-autonomous-driving-5a8c6676e36b

　　論文

　　理論 & 機器學習

  • 生成對抗網路，逆向強化學習和 Energy-Based 模型之間的聯絡（A Connection between Generative Adversarial Networks, Inverse Reinforcement Learning, and Energy-Based Models ）

  • 可擴充套件對抗分類的通用訓練框架（A General Retraining Framework for Scalable Adversarial Classification）

  • 對抗自編碼器（Adversarial Autoencoders）

  • 對抗判別的領域適應（Adversarial Discriminative Domain Adaptation）

  • 對抗性 Generator-Encoder 網路（Adversarial Generator-Encoder Networks）

  • 對抗特徵學習（Adversarial Feature Learning）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 對抗推理學習（Adversarially Learned Inference）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 結構化輸出神經網路半監督訓練的一種對抗正則化（An Adversarial Regularisation for Semi-Supervised Training of Structured Output Neural Networks）

  • 聯想式對抗網路（Associative Adversarial Networks）

  • b-GAN：生成對抗網路的一個新框架（b-GAN: New Framework of Generative Adversarial Networks）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 邊界尋找生成對抗網路（Boundary-Seeking Generative Adversarial Networks）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 條件生成對抗網路（Conditional Generative Adversarial Nets）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 結合生成對抗網路和 Actor-Critic 方法（Connecting Generative Adversarial Networks and Actor-Critic Methods）

  • 描述符和生成網路的協同訓練（Cooperative Training of Deor and Generator Networks）

  • Coupled Generative Adversarial Networks（CoGAN）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 基於能量模型的生成對抗網路（Energy-based Generative Adversarial Network）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 對抗樣本的解釋和利用（Explaining and Harnessing Adversarial Examples）

  • f-GAN：使用變分發散最小化訓練生成式神經取樣器（f-GAN: Training Generative Neural Samplers using Variational Divergence Minimization）

  • Gang of GANs: Generative Adversarial Networks with Maximum Margin Ranking

  • 用遞迴對抗網路乘車影象（Generating images with recurrent adversarial networks）

  • Generative Adversarial Nets with Labeled Data by Activation Maximization

  • 生成對抗網路（Generative Adversarial Networks）

    　　【程式碼】https://github.com/goodfeli/adversarial

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 生成對抗並行化（Generative Adversarial Parallelization）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • One Shot學習的生成性對抗殘差成對網路（Generative Adversarial Residual Pairwise Networks for One Shot Learning）

  • 生成對抗結構化網路（Generative Adversarial Structured Networks）

  • 生成式矩匹配網路（Generative Moment Matching Networks）

    　　【程式碼】https://github.com/yujiali/gmmn

  • 訓練GAN的改進技術（Improved Techniques for Training GANs）

    　　【程式碼】https://github.com/openai/improved-gan

  • 改善訓練WGAN（Improved Training of Wasserstein GANs）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • InfoGAN：通過資訊最大化GAN學習可解釋表示（InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 翻轉GAN的生成器（Inverting The Generator Of A Generative Adversarial Network）

  • 隱式生成模型裡的學習（Learning in Implicit Generative Models）

  • 用GAN學習發現跨域關係（Learning to Discover Cross-Domain Relations with Generative Adversarial Networks）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 最小二乘生成對抗網路，LSGAN（Least Squares Generative Adversarial Networks）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • LS-GAN，損失敏感GAN（Loss-Sensitive Generative Adversarial Networks on Lipschitz Densities）

  • LR-GAN：用於影象生成的分層遞迴GAN（LR-GAN: Layered Recursive Generative Adversarial Networks for Image Generation）

  • MAGAN: Margin Adaptation for Generative Adversarial Networks

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 最大似然增強的離散生成對抗網路（Maximum-Likelihood Augmented Discrete Generative Adversarial Networks）

  • 模式正則化GAN（Mode Regularized Generative Adversarial Networks）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • Multi-Agent Diverse Generative Adversarial Networks

  • 生成對抗網路中Batch Normalization和Weight Normalization的影響（On the effect of Batch Normalization and Weight Normalization in Generative Adversarial Networks）

  • 基於解碼器的生成模型的定量分析（On the Quantitative Analysis of Decoder-Based Generative Models）

  • SeqGAN：策略漸變的序列生成對抗網路（SeqGAN: Sequence Generative Adversarial Nets with Policy Gradient）

  • 深度網路的簡單黑箱對抗干擾（Simple Black-Box Adversarial Perturbations for Deep Networks）

  • Stacked GAN（Stacked Generative Adversarial Networks）

  • 通過最大均值差異優化訓練生成神經網路（Training generative neural networks via Maximum Mean Discrepancy optimization）

  • Triple Generative Adversarial Nets

  • Unrolled Generative Adversarial Networks

  • DCGAN無監督表示學習（Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks）

    　　【程式碼】https://github.com/Newmu/dcgan_code

    　　【程式碼】https://github.com/pytorch/examples/tree/master/dcgan

    　　【程式碼】https://github.com/carpedm20/DCGAN-tensorflow

    　　【程式碼】https://github.com/jacobgil/keras-dcgan

  • Wasserstein GAN（WGAN）

    　　【程式碼】https://github.com/martinarjovsky/WassersteinGAN

    　　【程式碼】https://github.com/wiseodd/generative-models

　　視覺應用

  • 用對抗網路檢測惡性前列腺癌（Adversarial Networks for the Detection of Aggressive Prostate Cancer）

  • 條件對抗自編碼器的年齡遞進/迴歸（Age Progression / Regression by Conditional Adversarial Autoencoder）

  • ArtGAN：條件分類GAN的藝術作品合成（ArtGAN: Artwork Synthesis with Conditional Categorial GANs）

  • Beyond Face Rotation: Global and Local Perception GAN for Photorealistic and Identity Preserving Frontal View Synthesis

  • 卷積人臉生成的條件GAN（Conditional generative adversarial nets for convolutional face generation）

  • 輔助分類器GAN的條件影象合成（Conditional Image Synthesis with Auxiliary Classifier GANs）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 使用對抗網路的Laplacian金字塔的深度生成影象模型（Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks）

    　　【程式碼】https://github.com/facebook/eyescream

    　　【部落格】http://soumith.ch/eyescream/

  • Deep multi-scale video prediction beyond mean square error

    　　【程式碼】https://github.com/dyelax/Adversarial_Video_Generation

  • DualGAN：影象到影象翻譯的無監督Dual學習（DualGAN: Unsupervised Dual Learning for Image-to-Image Translation）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 用迴圈神經網路做全解析度影象壓縮（Full Resolution Image Compression with Recurrent Neural Networks）

  • 生成以適應：使用GAN對齊域（Generate To Adapt: Aligning Domains using Generative Adversarial Networks）

  • 生成對抗文字到影象的合成（Generative Adversarial Text to Image Synthesis）

    　　【程式碼】https://github.com/paarthneekhara/text-to-image

  • 自然影象流形上的生成視覺操作（Generative Visual Manipulation on the Natural Image Manifold）

    　　【專案】http://www.eecs.berkeley.edu/~junyanz/projects/gvm/

    　　【視訊】https://youtu.be/9c4z6YsBGQ0

    　　【程式碼】https://github.com/junyanz/iGAN

  • Image De-raining Using a Conditional Generative Adversarial Network

  • Image Generation and Editing with Variational Info Generative Adversarial Networks

  • 用條件對抗網路做 Image-to-Image 翻譯（Image-to-Image Translation with Conditional Adversarial Networks）

    　　【程式碼】https://github.com/phillipi/pix2pix

  • 用GAN模仿駕駛員行為（Imitating Driver Behavior with Generative Adversarial Networks）

  • 可逆的條件GAN用於影象編輯（Invertible Conditional GANs for image editing）

  • 學習驅動模擬器（Learning a Driving Simulator）

  • 多視角GAN（Multi-view Generative Adversarial Networks）

  • 利用內省對抗網路編輯圖片（Neural Photo Editing with Introspective Adversarial Networks）

  • 使用GAN生成照片級真實感的單一影象超解析度（Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network）

  • Recurrent Topic-Transition GAN for Visual Paragraph Generation

  • RenderGAN：生成現實的標籤資料（RenderGAN: Generating Realistic Labeled Data）

  • SeGAN: Segmenting and Generating the Invisible

  • 使用對抗網路做語義分割（Semantic Segmentation using Adversarial Networks）

  • 半隱性GAN：學習從特徵生成和修改人臉影象（Semi-Latent GAN: Learning to generate and modify facial images from attributes）

  • TAC-GAN - 文字條件輔助分類器GAN（TAC-GAN - Text Conditioned Auxiliary Classifier Generative Adversarial Network）

  • 通過條件GAN實現多樣化且自然的影象描述（Towards Diverse and Natural Image Deions via a Conditional GAN）

  • GAN 提高人的體外識別基線的未標記樣本生成（Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro）

  • Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks

  • 無監督異常檢測，用GAN指導標記發現（Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery）

  • 無監督跨領域影象生成（Unsupervised Cross-Domain Image Generation）

  • WaterGAN：實現單目水下影象實時顏色校正的無監督生成網路（WaterGAN: Unsupervised Generative Network to Enable Real-time Color Correction of Monocular Underwater Images）

　　其他應用

  • 基於生成模型的文字分類的半監督學習方法（Adversarial Training Methods for Semi-Supervised Text Classification）

  • 學習在面對對抗性神經網路解密下維護溝通保密性（Learning to Protect Communications with Adversarial Neural Cryptography）

    　　【部落格】http://t.cn/RJitWNw

  • MidiNet：利用 1D 和 2D條件實現符號域音樂生成的卷積生成網路（MidiNet: A Convolutional Generative Adversarial Network for Symbolic-domain Music Generation using 1D and 2D Conditions）

  • 使用生成對抗網路重建三維多孔介質（Reconstruction of three-dimensional porous media using generative adversarial neural networks）

    　　【程式碼】https://github.com/LukasMosser/PorousMediaGan

  • Semi-supervised Learning of Compact Document Representations with Deep Networks

  • Steganographic GAN（Steganographic Generative Adversarial Networks）

　　Humor

  • 停止 GAN 暴力：生成性非對抗網路（Stopping GAN Violence: Generative Unadversarial Networks）

　　視訊

  • Ian Goodfellow：生成對抗網路

    　　【視訊】http://t.cn/RxxJF5A

  • Mark Chang：生成對抗網路教程

    　　【視訊】http://t.cn/RXJOKK1

　　程式碼

  • Cleverhans：一個對抗樣本的機器學習庫

    　　【程式碼】https://github.com/openai/cleverhans

    　　【部落格】http://cleverhans.io/

  • 50行程式碼實現GAN（PyTorch）

    　　【程式碼】https://github.com/devnag/pytorch-generative-adversarial-networks

    　　【部落格】https://medium.com/@devnag/generative-adversarial-networks-gans-in-50-lines-of-code-pytorch-e81b79659e3f

  • 生成模型集，e.g. GAN, VAE，用 Pytorch 和 TensorFlow 實現

    　　【程式碼】https://github.com/wiseodd/generative-models

　　【進入新智元微信公眾號，在對話方塊輸入“170501”下載全部 89 篇論文】

　　原文地址：https://github.com/nightrome/really-awesome-gan

  • NIP 2016 對抗訓練 Workshop

    　　【網頁】https://sites.google.com/site/nips2016adversarial/

    　　【部落格】http://www.inference.vc/my-summary-of-adversarial-training-nips-workshop/

　　教程 & 部落格

  • 如何訓練 GAN？ 讓 GAN 工作的提示和技巧

    　　【部落格】https://github.com/soumith/ganhacks

  • NIPS 2016 教程：生成對抗網路

    　　【arXiv】https://arxiv.org/abs/1701.00160

  • 深度學習和 GAN 背後的直覺知識——一個基礎理解

    　　【部落格】https://blog.waya.ai/introduction-to-gans-a-boxing-match-b-w-neural-nets-b4e5319cc935

  • OpenAI——生成模型

    　　【部落格】https://openai.com/blog/generative-models/

  • SimGANs——無監督學習的遊戲規則顛覆者，無人車等

    　　【部落格】https://blog.waya.ai/simgans-applied-to-autonomous-driving-5a8c6676e36b

　　論文

　　理論 & 機器學習

  • 生成對抗網路，逆向強化學習和 Energy-Based 模型之間的聯絡（A Connection between Generative Adversarial Networks, Inverse Reinforcement Learning, and Energy-Based Models ）

  • 可擴充套件對抗分類的通用訓練框架（A General Retraining Framework for Scalable Adversarial Classification）

  • 對抗自編碼器（Adversarial Autoencoders）

  • 對抗判別的領域適應（Adversarial Discriminative Domain Adaptation）

  • 對抗性 Generator-Encoder 網路（Adversarial Generator-Encoder Networks）

  • 對抗特徵學習（Adversarial Feature Learning）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 對抗推理學習（Adversarially Learned Inference）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 結構化輸出神經網路半監督訓練的一種對抗正則化（An Adversarial Regularisation for Semi-Supervised Training of Structured Output Neural Networks）

  • 聯想式對抗網路（Associative Adversarial Networks）

  • b-GAN：生成對抗網路的一個新框架（b-GAN: New Framework of Generative Adversarial Networks）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 邊界尋找生成對抗網路（Boundary-Seeking Generative Adversarial Networks）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 條件生成對抗網路（Conditional Generative Adversarial Nets）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 結合生成對抗網路和 Actor-Critic 方法（Connecting Generative Adversarial Networks and Actor-Critic Methods）

  • 描述符和生成網路的協同訓練（Cooperative Training of Deor and Generator Networks）

  • Coupled Generative Adversarial Networks（CoGAN）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 基於能量模型的生成對抗網路（Energy-based Generative Adversarial Network）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 對抗樣本的解釋和利用（Explaining and Harnessing Adversarial Examples）

  • f-GAN：使用變分發散最小化訓練生成式神經取樣器（f-GAN: Training Generative Neural Samplers using Variational Divergence Minimization）

  • Gang of GANs: Generative Adversarial Networks with Maximum Margin Ranking

  • 用遞迴對抗網路乘車影象（Generating images with recurrent adversarial networks）

  • Generative Adversarial Nets with Labeled Data by Activation Maximization

  • 生成對抗網路（Generative Adversarial Networks）

    　　【程式碼】https://github.com/goodfeli/adversarial

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 生成對抗並行化（Generative Adversarial Parallelization）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • One Shot學習的生成性對抗殘差成對網路（Generative Adversarial Residual Pairwise Networks for One Shot Learning）

  • 生成對抗結構化網路（Generative Adversarial Structured Networks）

  • 生成式矩匹配網路（Generative Moment Matching Networks）

    　　【程式碼】https://github.com/yujiali/gmmn

  • 訓練GAN的改進技術（Improved Techniques for Training GANs）

    　　【程式碼】https://github.com/openai/improved-gan

  • 改善訓練WGAN（Improved Training of Wasserstein GANs）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • InfoGAN：通過資訊最大化GAN學習可解釋表示（InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 翻轉GAN的生成器（Inverting The Generator Of A Generative Adversarial Network）

  • 隱式生成模型裡的學習（Learning in Implicit Generative Models）

  • 用GAN學習發現跨域關係（Learning to Discover Cross-Domain Relations with Generative Adversarial Networks）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 最小二乘生成對抗網路，LSGAN（Least Squares Generative Adversarial Networks）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • LS-GAN，損失敏感GAN（Loss-Sensitive Generative Adversarial Networks on Lipschitz Densities）

  • LR-GAN：用於影象生成的分層遞迴GAN（LR-GAN: Layered Recursive Generative Adversarial Networks for Image Generation）

  • MAGAN: Margin Adaptation for Generative Adversarial Networks

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 最大似然增強的離散生成對抗網路（Maximum-Likelihood Augmented Discrete Generative Adversarial Networks）

  • 模式正則化GAN（Mode Regularized Generative Adversarial Networks）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • Multi-Agent Diverse Generative Adversarial Networks

  • 生成對抗網路中Batch Normalization和Weight Normalization的影響（On the effect of Batch Normalization and Weight Normalization in Generative Adversarial Networks）

  • 基於解碼器的生成模型的定量分析（On the Quantitative Analysis of Decoder-Based Generative Models）

  • SeqGAN：策略漸變的序列生成對抗網路（SeqGAN: Sequence Generative Adversarial Nets with Policy Gradient）

  • 深度網路的簡單黑箱對抗干擾（Simple Black-Box Adversarial Perturbations for Deep Networks）

  • Stacked GAN（Stacked Generative Adversarial Networks）

  • 通過最大均值差異優化訓練生成神經網路（Training generative neural networks via Maximum Mean Discrepancy optimization）

  • Triple Generative Adversarial Nets

  • Unrolled Generative Adversarial Networks

  • DCGAN無監督表示學習（Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks）

    　　【程式碼】https://github.com/Newmu/dcgan_code

    　　【程式碼】https://github.com/pytorch/examples/tree/master/dcgan

    　　【程式碼】https://github.com/carpedm20/DCGAN-tensorflow

    　　【程式碼】https://github.com/jacobgil/keras-dcgan

  • Wasserstein GAN（WGAN）

    　　【程式碼】https://github.com/martinarjovsky/WassersteinGAN

    　　【程式碼】https://github.com/wiseodd/generative-models

　　視覺應用

  • 用對抗網路檢測惡性前列腺癌（Adversarial Networks for the Detection of Aggressive Prostate Cancer）

  • 條件對抗自編碼器的年齡遞進/迴歸（Age Progression / Regression by Conditional Adversarial Autoencoder）

  • ArtGAN：條件分類GAN的藝術作品合成（ArtGAN: Artwork Synthesis with Conditional Categorial GANs）

  • Beyond Face Rotation: Global and Local Perception GAN for Photorealistic and Identity Preserving Frontal View Synthesis

  • 卷積人臉生成的條件GAN（Conditional generative adversarial nets for convolutional face generation）

  • 輔助分類器GAN的條件影象合成（Conditional Image Synthesis with Auxiliary Classifier GANs）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 使用對抗網路的Laplacian金字塔的深度生成影象模型（Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks）

    　　【程式碼】https://github.com/facebook/eyescream

    　　【部落格】http://soumith.ch/eyescream/

  • Deep multi-scale video prediction beyond mean square error

    　　【程式碼】https://github.com/dyelax/Adversarial_Video_Generation

  • DualGAN：影象到影象翻譯的無監督Dual學習（DualGAN: Unsupervised Dual Learning for Image-to-Image Translation）

    　　【程式碼】https://github.com/wiseodd/generative-models

  • 用迴圈神經網路做全解析度影象壓縮（Full Resolution Image Compression with Recurrent Neural Networks）

  • 生成以適應：使用GAN對齊域（Generate To Adapt: Aligning Domains using Generative Adversarial Networks）

  • 生成對抗文字到影象的合成（Generative Adversarial Text to Image Synthesis）

    　　【程式碼】https://github.com/paarthneekhara/text-to-image

  • 自然影象流形上的生成視覺操作（Generative Visual Manipulation on the Natural Image Manifold）

    　　【專案】http://www.eecs.berkeley.edu/~junyanz/projects/gvm/

    　　【視訊】https://youtu.be/9c4z6YsBGQ0

    　　【程式碼】https://github.com/junyanz/iGAN

  • Image De-raining Using a Conditional Generative Adversarial Network

  • Image Generation and Editing with Variational Info Generative Adversarial Networks

  • 用條件對抗網路做 Image-to-Image 翻譯（Image-to-Image Translation with Conditional Adversarial Networks）

    　　【程式碼】https://github.com/phillipi/pix2pix

  • 用GAN模仿駕駛員行為（Imitating Driver Behavior with Generative Adversarial Networks）

  • 可逆的條件GAN用於影象編輯（Invertible Conditional GANs for image editing）

  • 學習驅動模擬器（Learning a Driving Simulator）

  • 多視角GAN（Multi-view Generative Adversarial Networks）

  • 利用內省對抗網路編輯圖片（Neural Photo Editing with Introspective Adversarial Networks）

  • 使用GAN生成照片級真實感的單一影象超解析度（Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network）

  • Recurrent Topic-Transition GAN for Visual Paragraph Generation

  • RenderGAN：生成現實的標籤資料（RenderGAN: Generating Realistic Labeled Data）

  • SeGAN: Segmenting and Generating the Invisible

  • 使用對抗網路做語義分割（Semantic Segmentation using Adversarial Networks）

  • 半隱性GAN：學習從特徵生成和修改人臉影象（Semi-Latent GAN: Learning to generate and modify facial images from attributes）

  • TAC-GAN - 文字條件輔助分類器GAN（TAC-GAN - Text Conditioned Auxiliary Classifier Generative Adversarial Network）

  • 通過條件GAN實現多樣化且自然的影象描述（Towards Diverse and Natural Image Deions via a Conditional GAN）

  • GAN 提高人的體外識別基線的未標記樣本生成（Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro）

  • Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks

  • 無監督異常檢測，用GAN指導標記發現（Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery）

  • 無監督跨領域影象生成（Unsupervised Cross-Domain Image Generation）

  • WaterGAN：實現單目水下影象實時顏色校正的無監督生成網路（WaterGAN: Unsupervised Generative Network to Enable Real-time Color Correction of Monocular Underwater Images）

　　其他應用

  • 基於生成模型的文字分類的半監督學習方法（Adversarial Training Methods for Semi-Supervised Text Classification）

  • 學習在面對對抗性神經網路解密下維護溝通保密性（Learning to Protect Communications with Adversarial Neural Cryptography）

    　　【部落格】http://t.cn/RJitWNw

  • MidiNet：利用 1D 和 2D條件實現符號域音樂生成的卷積生成網路（MidiNet: A Convolutional Generative Adversarial Network for Symbolic-domain Music Generation using 1D and 2D Conditions）

  • 使用生成對抗網路重建三維多孔介質（Reconstruction of three-dimensional porous media using generative adversarial neural networks）

    　　【程式碼】https://github.com/LukasMosser/PorousMediaGan

  • Semi-supervised Learning of Compact Document Representations with Deep Networks

  • Steganographic GAN（Steganographic Generative Adversarial Networks）

　　Humor

  • 停止 GAN 暴力：生成性非對抗網路（Stopping GAN Violence: Generative Unadversarial Networks）

　　視訊

  • Ian Goodfellow：生成對抗網路

    　　【視訊】http://t.cn/RxxJF5A

  • Mark Chang：生成對抗網路教程

    　　【視訊】http://t.cn/RXJOKK1

　　程式碼

  • Cleverhans：一個對抗樣本的機器學習庫

    　　【程式碼】https://github.com/openai/cleverhans

    　　【部落格】http://cleverhans.io/

  • 50行程式碼實現GAN（PyTorch）

    　　【程式碼】https://github.com/devnag/pytorch-generative-adversarial-networks

    　　【部落格】https://medium.com/@devnag/generative-adversarial-networks-gans-in-50-lines-of-code-pytorch-e81b79659e3f

  • 生成模型集，e.g. GAN, VAE，用 Pytorch 和 TensorFlow 實現

    　　【程式碼】https://github.com/wiseodd/generative-models

　　【進入新智元微信公眾號，在對話方塊輸入“170501”下載全部 89 篇論文】

　　原文地址：https://github.com/nightrome/really-awesome-gan

相關推薦

不可錯過的 GAN 資源：教程、視訊、程式碼實現、89 篇論文下載

NIP 2016 對抗訓練 Workshop 　　【網頁】https://sites.google.com/site/nips2016adversarial/ 　　【部落格】http://www.inference.vc/my-summary-of-adversarial-training-

線性代數教程之一——矩陣乘法計算、理解及程式碼實現

參考了《深度學習》鉅作，以下是矩陣篇的目錄。 1 矩陣的乘法 設矩陣A為m×n矩陣，B為n×p矩陣，則它們的乘法公式為： 相關程式碼實現： # 矩陣滴乘法運算 # 注意：需要傳入np.matrix型別資料 def Matrix_Mul(a,b):

java類載入和例項化：靜態程式碼塊、初始化程式碼塊、構造方法的執行順序

java中第一次例項化一個物件時，靜態程式碼塊、初始化塊、屬性的初始化、構造方法，再加上如果父類也有這些東西，天，到底執行順序是什麼？ 來一段程式碼試一試就知道了： public class LoadingTest { public static void main(

Android中WebView的定位功能、視訊全屏播放、下載功能、頁面Url的處理、進度條處理

一、WebView 初始化設定 /** * webview初始化設定 */ private void initWebViewSettings() { WebSettings webSettings = wv_web.g

python code practice（二）：KMP演算法、二分搜尋的實現、雜湊表

1、替換空格 題目描述：請實現一個函式，將一個字串中的每個空格替換成“%20”。例如，當字串為We Are Happy.則經過替換之後的字串為We%20Are%20Happy。 分析： 將長度為1的空格替換為長度為3的“%20”，字串的長度變長。 如果允許我們開闢一個新的陣列來存放替換空格後的字串， 那麼這道

設計模式：橋接模式及程式碼示例、橋接模式在jdbc中的體現、注意事項

# 0、背景 加入一個手機分為多種款式，不同款式分為不同品牌。這些詳細分類下分別進行操作。 如果傳統做法，需要將手機，分為不同的子類，再繼續分，基本屬於一個龐大的多叉樹，然後每個葉子節點進行相同名稱、但是細節不同的功能實現。 **問題**： 1. **類爆炸**：類的增加基本沒有任何優

bean創建過程、spring BeanFactory的實現、spring aware

targe 註入 ... 強制類型轉換 ces people 實現 exceptio ans Bean的創建過程：Spring beanFactory的工廠模式實現： 解析<bean>標簽，存到一個Map<String, Object> bea

Java子類與父類中靜態程式碼塊、非靜態程式碼塊、建構函式的執行順序一覽表

子類Child繼承父類Parent Child child=new Child(); 執行順序如下： ①父類靜態程式碼塊>>②子類靜態程式碼塊>>③父類非靜態程式碼塊>>④父類建構函式>>⑤子類非靜態程式碼塊>>⑥子類

演算法設計：兩種快速排序程式碼實現

快速排序是一種高效且使用廣泛的排序演算法，在很多語言的標準庫中自帶的排序都是快速排序，所以我們也有必要了解快排的原理以及其實現方法。 快排的大致思想 快速排序實現的重點在於陣列的拆分，通常我們將陣列的第一個元素定義為比較元素，然後將陣列中小於比較元素的數放到左邊，將大於比較元素的放到右邊， 這樣我們就將

ml課程：SVM相關（含程式碼實現）

以下是我的學習筆記，以及總結，如有錯誤之處請不吝賜教。 本文主要介紹svm的創始人Vapnik‘s如何一步一步構建出這個經典演算法模型的，同時也可以給我們以後演算法之路提供一個思路，即使你對優化等數學方法不熟悉，依然可以創造出很好的演算法。 下svm關鍵的幾個idea： KEY ID

【資料結構與演算法】之單鏈表、雙鏈表、迴圈連結串列的基本介紹及其Java程式碼實現---第三篇

一、連結串列的基本介紹 連結串列的定義：連結串列是一種遞迴的資料結構，它或者為空(null)，或者是指向一個結點(node)的引用，該結點含有一個泛型的元素和一個指向另一條連結串列的引用。----Algorithms  Fourth  Edition   常見的連結串

機器學習：線性迴歸與Python程式碼實現

前言：本篇博文主要介紹線性迴歸模型（linear regression），首先介紹相關的基礎概念和原理，然後通過Python程式碼實現線性迴歸模型。特別強調，其中大多理論知識來源於《統計學習方法_李航》和斯坦福課程翻譯筆記以及Coursera機器學習課程。 1.線性迴歸

通俗|令人拍案叫絕的Wasserstein GAN 及程式碼（WGAN兩篇論文的中文詳細介紹）

今天第一篇為WGAN理論深入介紹。 在GAN的相關研究如火如荼甚至可以說是氾濫的今天，一篇新鮮出爐的arXiv論文Wassertein GAN 卻在 Reddit 的 Machine Learning 頻道火了，連Goodfellow都在帖子裡和大家熱烈

關於靜態程式碼塊、非靜態程式碼塊、建構函式、普通成員函式的呼叫順序

import java.util.Scanner; public class HelloJava { static String name; static { System.out.println(name + "靜態程式碼塊"); } public HelloJava(Stri

靜態程式碼塊、非靜態程式碼塊、建構函式三者執行順序

主要探討一下關於靜態程式碼塊，非靜態程式碼塊，建構函式的執行順序。 如有錯誤，歡迎指出。 首先： 靜態成員變數和靜態程式碼塊的優先順序是一樣的，先定義的先執行。 在建立一個物件的時候會執行非靜態

令人拍案叫絕的Wasserstein GAN 及程式碼（WGAN兩篇論文的中文詳細介紹）---------好理解！！

作者：鄭華濱 連結：https://zhuanlan.zhihu.com/p/25071913 來源：知乎 著作權歸作者所有。商業轉載請聯絡作者獲得授權，非商業轉載請註明出處。   在GAN的相關研究如火如荼甚至可以說是氾濫的今天，一篇新鮮出爐的arXiv論文《Wasser

機器學習：邏輯迴歸與Python程式碼實現

前言：本篇博文主要介紹邏輯迴歸（logistic regression），首先介紹相關的基礎概念和原理，然後通過Python程式碼實現邏輯迴歸的二分類問題。特別強調，其中大多理論知識來源於《統計學習方法_李航》和斯坦福課程翻譯筆記以及Coursera機器學習課程。 本篇博

Java類中的靜態屬性、靜態程式碼塊塊、非靜態屬性、非靜態程式碼塊塊、建構函式在初始化時的執行順序

序言   前幾天在複習J2SE的時候，看到了這個Java類在new的過程中，靜態域、靜態塊、非靜態域、非靜態塊、建構函式的執行順序問題。就想著自己總結寫一下，便於以後查閱總結：    以下是我整理好的結果；在java類new一個物件的過程中，它們的執行順序如下：     （當

黃聰：OTP動態密碼_Java程式碼實現

OTP認知 動態口令（OTP，One-Time Password）又稱一次性密碼，是使用密碼技術實現的在客戶端和伺服器之間通過共享祕密的一種認證技術，是一種強認證技術，是增強目前靜態口令認證的一種非常方便技術手段，是一種重要的雙因素認證技術，動態口令認證技術包括客戶端用於生成口令產生器的，動態令牌，是一個

七、通過java程式碼實現增量、全量索引

      前期對solr全文檢索已經做了絕大部分的工作，現在剩下的就是如何讓索引自動載入，包括全量載入及增量載入。 1.首先要實現自動的全量載入及增量載入就要通過定時任務來實現，這裡定時任務的編寫不在這裡描述。 2.如下是我在專案中的全量、增量載入的程式碼： packag