生成对抗网络中WGAN的代码，WGAN彻底解决GAN训练不稳定的问题，不再需要小心平衡生成器和判别器的训练程度 基本解决了collapse mode的问题，确保了生成样本的多样性 训练过程中终于有一个像交叉熵、准确率这样的数值来指示训练的进程，这个数值越小代表GAN训练得越好，代表生成器产生的图像质量越高（如题图所示） 以上一切好处不需要精心设计的网络架构，最简单的多层全连接网络就可以做到

pix2pix：使用生成对抗网络进行图像到图像的翻译

针对人脸识别中遮挡区域降低检测准确度的问题，提出一种基于生成对抗网络的遮挡人脸修复方法。该方法以生成对抗网络作为基本架构，结合Wasserstein距离和添加梯度惩罚损失函数来训练网络模型，以全局上下文损失和先验损失相结合的方式来约束网络生成无遮挡人脸图片，并利用泊松融合完成遮挡区域的修复。在CelebA数据集的实验结果表明，所提方法较其他文献模型训练更稳定，PSNR平均值提高了5%，SSIM平均值提高了8%。

超级GAN 纸代码对抗网络的高光谱样本的现实合成。 如果您在工作中使用此代码，请引用以下内容。 @inproceedings{audebert_generative_2018, title = {Generative adversarial networks for realistic synthesis of hyperspectral samples}, booktitle = {2018 {IEEE} {International} {Geoscience} and {Remote} {Sensing} {Symposium} ({IGARSS})}, author = {Audebert, N. and Le Saux, B. and Lefèvre, S.}, month = jul, year = {2018} } 动机 高光谱成像

GANs 2.0：TensorFlow 2.0中的生成对抗网络 项目目标 该项目的主要目的是加快建立基于生成对抗网络的深度学习管道的过程，并简化各种生成器/区分器模型的原型。 该库提供了一些GAN培训器，它们可以用作现成的功能，例如我们： 甘香草 有条件的GAN 循环甘 瓦瑟斯坦·甘 渐进式GAN（WIP） 例子 功能建模 香草GAN（高斯函数） 香草甘（sigmod功能） 影像产生 香草甘（MNIST） 有条件的GAN（MNIST） 香草甘（FASHION_MNIST） 有条件的GAN（FASHION_MNIST） 香草甘（CIFAR10） 有条件的GAN（CIFAR10） 图片翻译 循环GAN（SUMMER2WINTER） 循环GAN（WINTER2SUMMER） 安装 安装有GPU支持 pip install gans2[tensorflow_gpu]

生成式对抗网络（Generative Adversarial Networks，GANs）作为近年来的研究热点之一，受到了广泛关注，每年在机器学习、计算机视觉、自然语言处理、语音识别等上大量相关论文发表。密歇根大学Jie Gui博士等人近期发布了《A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications》，包括28页pdf，这篇综述论文对460余篇论文进行了尝试从算法，理论和应用的角度对各种GANs方法进行叙述。

seqGAN PyTorch实现的“ SeqGAN：具有策略梯度的序列生成对抗网络”。 （于兰涛等）。 该代码经过高度简化，注释和（希望）易于理解。 实施的策略梯度也比原始工作（ ）简单得多，并且不涉及推广-整个句子使用单一奖励（受的示例启发） ）。 使用的体系结构与原始工作中的体系结构不同。 具体而言，将循环双向GRU网络用作鉴别器。 该代码按论文中所述对合成数据进行实验。 我们鼓励您对代码作为问题的工作方式提出任何疑问。 要运行代码： python main.py main.py应该是您进入代码的入口。 技巧与观察 在这种情况下，以下黑客（从借来）似乎有效： 培训鉴别器

针对基于深度学习的语音信号去噪方法存在难于收敛、性能不足的问题，本文提出了基于环状生成对抗网络的深度语音信号去噪方法，设计了新型的环状生成对抗语义去噪网络。通过40余种不同噪声语音集的试验，结果表明所提方法在5种衡量标准下都明显改善了去噪性能。

路径GAN 基于采样路径规划启发式生成对抗网络的Pytorch实现 表中的内容 结构 PathGAN的总体结构由两部分组成： RRT *搜索算法和 产生性的对抗性网络，用于产生有希望的区域 搜索算法 RRT*算法： 比较RRT*和Heuristic RRT* ： GAN架构 GAN整体架构： GAN架构的详细信息： 数据集 数据集 训练 结果 执照 该项目在麻省理工学院获得许可。 链接 基于生成式对抗网络的启发式算法，用于基于采样的路径规划（arXiv文章） GAN路径查找器（arXiv文章）

我们提出了一个简单的正则化方案来处理生成对抗网络（GAN）中的模式缺失和训练不稳定的问题。 关键思想是利用鉴别器学习到的视觉特征。 我们通过向生成器提供由鉴别器提取的真实数据特征来重建真实数据。 将重建损失添加到GAN的目标函数中，以强制生成器可以根据鉴别器的特征进行重建，这有助于明确指导生成器朝着接近实际数据的可能配置进行。 所提出的重建损失提高了GAN的性能，在不同的数据集上产生了更高质量的图像，并且可以轻松地与其他正则化损失函数（例如梯度罚分）组合以提高各种GAN的性能。 我们对不同数据集上广泛采用的DCGAN体系结构和复杂的ResNet体系结构进行了实验，结果表明了该方法的有效性和鲁棒性。