SEGAN：语音增强生成对抗网络 介绍 这是SEGAN项目的存储库。 我们的原始文件可以在找到，并且测试样本可以。 在这项工作中，采用了一种对抗性生成方法，以一种完全卷积的体系结构来进行语音增强（即从损坏的语音信号中去除噪声），如下所示： 该模型处理处于不同SNR的许多噪声条件下的原始语音波形（训练时为40，测试时为20）。 它还可以对来自混合在同一结构中的许多说话者的语音特征进行建模（无需任何身份监督），这使得生成的结构在噪声和说话者维度上具有普遍性。 所有项目都是使用TensorFlow开发的。 关于GAN的定义和部署，有两个很好的参考资料库： GAN：实施改进以更稳定的方式训练G

“时间序列生成对抗网络（TimeGAN）”的代码库 作者：尹成ung，丹尼尔·贾瑞特，米哈埃拉·范德沙尔 参考：Jinsung Yoon，Daniel Jarrett，Mihaela van der Schaar，“时间序列生成对抗网络”，神经信息处理系统（NeurIPS），2019年。 论文链接： : 联络人： 该目录包含使用一个合成数据集和两个真实数据集生成合成时间序列数据的TimeGAN框架的实现。 正弦数据：合成 股票数据： : 能源数据： ： 要运行有关TimeGAN框架的培训和评估的管道，只需运行python3 -m main_timegan.py或在tutorial_timegan.ipynb中查看TimeGAN的jupyter-notebook教程。 注意，任何模型体系结构都可以用作生成器和鉴别器模型，例如RNN或Transformers。 代码说

GAN（生成对抗网络2014论文），包括原文和翻译

Ian J. Goodfellow等人于2014年提出生成对抗网络。 原文摘要：We propose a new framework for estimating generative models via an adversarial process, in which we simultaneously train two models: a generative model G that captures the data distribution, and a discriminative model D that estimates the probability

最原始的SEGAN论文

神经网络相关技术研究，基于生成对抗网络的信息隐藏算法模型，基于生成对抗网络的数字水印算法模型

行业分类-物理装置-一种基于循环生成对抗网络的水下图像复原方法.zip

生成对抗网络入门指南pdf及部分例程

Tensorflow中的V-GAN 该存储库是的中Tensorflow实现。 参考的keras代码可以在找到。 与Keras代码相比的改进 数据扩充已从脱机过程更改为联机过程，它解决了内存限制问题，但会减慢训练速度 添加train_interval FLAGS以控制生成器和鉴别器之间的训练迭代，对于普通GAN，train_interval为1 根据验证数据的AUC_PR和AUC_ROC之和保存最佳模型 添加采样功能以检查生成的结果以了解发生了什么 在训练过程中将测量结果绘制在张量板上 该代码的编写更加结构化曲线下面积（AUC），精度和召回率（PR），接收器工作特性（ROC） 包依赖 张量流1.6.0 python 3.5.3 numpy的1.14.2 matplotlib 2.0.2 枕头5.0.0 scikit图像0.13.0 scikit学习0.19.0 scipy

有条件的GAN去噪器 条件生成对抗网络（CGAN）模型的Tensorflow / Keras实现，可用于图像去噪或伪像去除。 CGAN由一个生成器网络和一个鉴别器网络组成。 生成器将嘈杂/伪像图像作为输入，目的是尽可能接近真实图像。 鉴别器模型将真实图像或生成的图像作为输入，目的是尽可能准确地区分两者。 因此，网络参与了至高无上的激烈竞争... 发电机网络模型基于[1]中的U-Net。 GalaxyGAN模型帮助了结构和模型体系结构的一些选择： ，[2]。 安装 旨在与Python 2.7或3.4或更高版本兼容，但仅在2.7.13和3.6.7上进行了测试。 您将需要 ，为您的机器进行适当设置。 您可以在environment.yml看到所需的Python软件包。 如果使用Anaconda，则可以使用此文件安装作者的环境（请注意，使用tensorflow-gpu ，它需要GPU）：