本演示文档包含生成对抗网络基本原理、算法分析及衍生模型，适合对生成对抗网络感兴趣的本科生和研究生学习，特别适用于交流汇报

The Roadmap to Learn Generative Adversarial Networks (GANs)

提出一种可用于改进图像超分辨率重建质量的双判别器超分辨率重建网络(DDSRRN)。该网络在生成式对抗网络(GAN)的基础上增加一个判别器,将Kullback-Leibler(KL)和反向KL散度组合成一个统一的目标函数来训练两个判别器,利用这两种散度的互补统计特性,能在多模式下分散预估计密度,从而避免重建过程中网络模型的崩溃问题,提高模型训练的稳定性。针对模型损失函数的设计部分,首先使用Charbonnier损失函数来构建内容损失,利用网络中间层的特征信息来设计感知损失和风格损失,最后为缩减图像重建时间,在网络结构中引入反卷积来完成图像重建操作。实验结果表明本文方法在主观视觉上具有丰富的细节,获得了更好的主观视觉评价和客观量化评价,网络泛化能力好。

【ch13-生成对抗网络】 GAN实战.pdf

生成对抗网络实战配套的源代码

最近几年的完整GAN完整综述，上面有各种资源的地址，值得认真阅读

Cyclegan生成式对抗网络，使用tensorflow快速实战-附件资源

Simple_GAN：GAN：通过简单生成对抗网络生成高斯分布的示例

代码使用两个对抗网络生成一个数据的分布，是一个非常好的生成对抗网络模型，Python直接运行，使用的pytorch作为深度学习引擎。对于入门深度学习的人很容易懂和了解生成对抗网络。本人控制不了下载所需积分 ，所以实在没积分的可以私信我。

使用gan信号重构 这是使用条件生成对抗网络进行信号重建的项目。