生成式对抗网络（GAN）系列，介绍主流生成式对抗网络算法及原理，包括：GANs、DCGAN、WGAN、LS-GAN等，以及一些有意思的应用。

着色_GAN 使用条件生成对抗网络进行灰度图像着色。 这是DCGAN的PyTorch实现，如论文“中所述 先决条件 Python 3.6 火炬 方法 在传统GAN中，发生器的输入是随机产生的噪声数据z。 但是，由于其输入的性质，该方法不适用于自动着色问题。 必须修改发生器，以接受灰度图像作为输入而不是噪声。 通过使用称为的GAN变体解决了此问题。 由于没有引入噪声，因此将生成器的输入视为零噪声，而将灰阶输入作为先验： 鉴别器从生成器和原始数据中获取彩色图像，并以灰度输入作为条件，并试图分辨出哪对包含真正的彩色图像： 网络架构 生成器的体系结构受U-Net的启发：模型的体系结构是对称的，具有n个编码单元和n个解码单元。 为了区分，我们使用类似的架构作为基线收缩路径。 数据集 我们使用CIFAR-10数据集。 要培养对fulldataset模式，下载数据集。 参考 使用GAN进行图像着

借助生成对抗网络实现无人监督的深度图像增强 IEEE图像处理事务（T-IP） 1 ，1 ，1 ，2 ， 1 [ ] [ ] 1香港城市大学， 2美团集团 介绍 该网站共享IEEE图像处理事务（T-IP），第一卷，“通过生成的对抗网络实现无监督的深度图像增强”的代码。 2020年9月29日，第9140-9151页。 抽象的 对于公众而言，提高图像的美学质量是充满挑战和渴望的。 为了解决这个问题，大多数现有算法都是基于监督学习方法来学习用于配对数据的自动照片增强器，该照片增强器由低质量的照片和相应的专家修饰版本组成。 但是，专家修饰的照片的样式和特征可能无法满足一般用户的需求或偏好。 在本文中，我们提出了一种无监督的图像增强生成对抗网络（UEGAN），该网络以无监督的方式从一组具有所需特征的图像中学习相应的图像到图像的映射，而不是学习大量的成对图像。 所提出的模型基于单个深层GAN，该

1.进行生成对抗网络或零样本学习的学术研究生； 2.想了解生成对抗网络或零样本学习应用现状，不知从何看起； 3.需要多看文献来了解GAN的使用和应用； 4.希望快速ZSL的结合点和应用情况，并寻找灵感；

线性变分去噪声matlab代码ADMM优化 这个存储库包括在我以前的系列文章中针对各种应用程序的（自适应）ADMM优化的Matlab和/或Python实现，这是本文的一部分。 我之前已发布了适应性弛豫（），适应性共识ADMM（）和视觉子类别的低秩最小二乘（）的代码。 此程序包中包含用于自适应ADMM（），用于非凸问题的AADMM（）和自适应多块ADMM（）的代码。 我们还提供了基线方法，原始ADMM，，和归一化残差平衡（）的实现。 应用领域 我们为各种应用提供基于ADMM的求解器，包括 弹性网（l2 + l1）正则化器的线性回归 稀疏（l1 / l0）正则化器的线性回归 （l1 / l2）regualarizer进行逻辑回归 基础追求 低阶最小二乘 强大的PCA（RPCA） 二次编程（QP） 半定式编程（SDP） 支持向量机（SVM） 具有总变化量校正器的1D / 2D去噪 使用总变化量调节器对图像进行去噪/恢复/去模糊 分布式共识问题：逻辑回归 分布式共识问题：线性回归 示例非凸问题：特征值问题 示例性非凸问题：相位检索 您可能也有兴趣检查我们的存储库，以将ADMM应用于神经网络（）

关于 由Keras实施BEGAN（）。 版本 由这些软件版本开发。 Mac OS Sierra：10.12.4 的Python：3.5.3 凯拉斯：2.0.3 Theano：0.9.0 枕头：4.1.0 如何使用 设置 pip install -r requirements.txt 创建数据集 准备影像 您可以使用任何正方形图像。 例如， 图像 [new] All images aligned with deep funneling (111MB, md5sum 68331da3eb755a505a502b5aacb3c201) 将图像转换为64x64像素 安装imagemagick 对于convert命令，请安装imagemagick。 brew install imagemagick 转换图像 ORIGINAL_IMAGE_DIR ：原始JPG图像的目录 TARGET

SAN SAN库 这是进行的代码版本 caffe版本位于目录“ caffe”中。 代码的详细信息在“ caffe”目录中的README.md中进行了描述。 注意，本文中SAN的性能是通过Caffe框架的代码实现的。 pytorch版本位于目录“ pytorch”中。 我们已经在PyTorch 0.3.1版本上发布了版本测试。 代码的详细信息在“ pytorch”目录中的README.md中进行了描述。 引文 如果您使用此代码进行研究，请考虑引用： @InProceedings{Cao_2018_CVPR, author = {Cao, Zhangjie and Long, Mingsheng and Wang, Jianmin and Jordan, Michael I.}, title = {Partial Transfer Learning Wit

PyTorch-GAN.rar

保留身份的条件生成对抗网络的面Kong老化 该存储库是的人的官方开放源代码，由宗宗望， ，罗维新和高 。 它是在tensorflow中实现的。 请按照说明运行代码。 ！[scalars_framework] 1.安装 安装python的第3个程序包依赖项（在requirements.txt中列出） tensorflow-gpu==1.4.1 scipy==1.0.0 opencv-python==3.3.0.10 numpy==1.11.0 Pillow==5.1.0 pip install -r requirements.txt 其他图书馆 CUDA 8.0 Cudnn 6.0 2.下载数据集 我们使用跨年龄名人数据集进行培训和评估。 有关此数据集的更多详细信息，请参考（ ）。 经过面部检测，对齐和中心裁剪后，我们将图像分为5个年龄段：11-20、21-30、31

一种基于生成式对抗网络的图像风格迁移方法，利用人工智能方式实现图像风格变化迁移，