针对数据集样本数量较少会影响深度学习检测效果的问题,提出了一种基于改进生成对抗网络和MobileNetV3的带钢缺陷分类方法。首先,引入生成对抗网络并对生成器和判别器进行改进,解决了类别错乱问题并实现了带钢缺陷数据集的扩充。然后,对轻量级图像分类网络MobileNetV3进行改进。最后,在扩充后的数据集上训练,实现了带钢缺陷的分类。实验结果表明,改进的生成对抗网络可生成比较真实的带钢缺陷图像,同时解决深度学习中样本不足的问题;且改进的MobileNetV3参数量是原有参数量的1/14左右,准确率为94.67%,比改进前提高了2.62个百分点,可在工业现场对带钢缺陷进行实时准确的分类。

针对传统使用脉间参数难以识别低信噪比条件下的复杂体制雷达信号问题，提出了一种利用深度学习模型辅助训练并对雷达辐射源进行识别的方法。首先利用时频分析的方法产生雷达信号的时频图像作为训练集1。接着利用深度卷积生成对抗网络的样本学习能力在训练集1的基础上二次生成时频图像作为训练集2，训练集2相对于1拥有着去噪和数据增强的效果。最后利用训练集2辅助视觉几何组在训练集1上的训练进行雷达辐射源识别。对5种常见的雷达信号进行了仿真实验，实验结果验证了该方法的有效性。

KERAS-DCGAN 具有（awesome） 库的实现，用于通过深度学习生成人工图像。 这将在真实图像上训练两个对抗性深度学习模型，以产生看起来真实的人工图像。 生成器模型尝试生成看起来真实的图像，并从鉴别器中获得高分。 鉴别器模型试图区分生成器的真实图像和人工图像。 这假设theano排序。 您仍然可以通过在〜/ .keras / keras.json中设置“ image_dim_ordering”：“ th”与tensorflow一起使用（尽管这样做会更慢）。 用法 训练： python dcgan.py --mode train --batch_size <batch_si

generative_adversarial_networks_101：生成对抗网络的Keras实现。 具有MNIST和CIFAR-10数据集的GAN，DCGAN，CGAN，CCGAN，WGAN和LSGAN模型

针对图像超分辨率重建过程中出现的边缘细节模糊、图像特征丢失的问题,提出基于密集连接的生成对抗网络图像超分辨率重建算法。该算法由生成网络和判别网络组成,在生成网络结构中,将原始低分辨率图像作为网络的输入,为了实现对特征的充分利用,采用密集连接方式将浅层网络的特征输送到深层网络结构的每一层,有效避免图像特征的丢失。并在末端进行亚像素卷积,对图像进行反卷积操作,完成图像最终的超分辨率重建,大大减少了训练耗时。在判别网络结构中,采用6个卷积模块和一个全连接层对真伪图像进行甄别,采用对抗博弈的思想,提升重建图像的质量。实验结果表明,本文算法在视觉效果评估、峰值信噪比值、结构相似性值以及耗时等多方面指标上都有了很大的改善,恢复出较为丰富的图像细节信息,取得了较好的视觉效果和综合特性。

尽管生成式对抗网络(GAN)的历史并不长，但它已被广泛地研究和用于各种任务，包括其最初的目的，即合成样品的生成。然而，将GAN用于具有不同神经网络结构的不同数据类型，由于其在训练方面的局限性，使得模型很容易出现混乱。

从单个图像去除雨滴的细心生成对抗网络（CVPR'2018） ， ，嘉俊苏和 （TBA） （TBA）（CVPR'18聚光灯） 抽象的 附着在玻璃窗或相机镜头上的雨滴会严重妨碍背景场景的可见性，并严重降低图像质量。 在本文中，我们通过目视去除雨滴，从而将雨滴降级的图像转换为干净的图像来解决该问题。 这个问题是棘手的，因为首先没有给出被雨滴遮挡的区域。 第二，关于被遮挡区域的背景场景的信息在很大程度上被完全丢失。 为了解决该问题，我们使用对抗训练来应用细心的生成网络。 我们的主要思想是将视觉注意力注入到生成网络和判别网络中。 在培训期间，我们的视觉注意力会了解雨滴区域及其周围的环境。 因此，通过注入此信息，生成网络将更加关注雨滴区域和周围的结构，而判别网络将能够评估恢复区域的局部一致性。 除了去除雨滴外，对生成网络和判别网络的视觉注视也是本文的另一项贡献。 我们的实验证明了我们方法的有

DCGAN-TensorFlow-面生成 使用深度卷积生成对抗网络生成的人脸图像

ESRGAN (Enhanced SRGAN) - 增强的超分辨率生成对抗网络

异常检测是许多研究领域所面临的重要问题。探测并正确地将一些看不见的东西分类为异常是一个具有挑战性的问题，多年来已经通过许多不同的方式解决了这个问题。生成对抗网络(GANs)和对抗训练过程最近被用来面对这一任务，产生了显著的结果。在本文中，我们综述了主要的基于GAN的异常检测方法，并突出了它们的优缺点。在不同数据集上的实验结果的增加，以及使用GAN的异常检测的完整开源工具箱的公开发布。