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）：

[英语] 这个例子展示了如何训练一个条件生成对抗网络（CGAN）来生成数字图像，这个demo是基于Matlab官方文档Train Conditional Generative Adversarial Network（CGAN）创建的https://jp.mathworks.com/help/deeplearning/ug/train-conditional-generative-adversarial-network.html [日本人]在这个demo中，手写数字是由Conditional GAN（Generative Adversarial Network）生成的。可以通过标签信息+图像学习网络，生成图像时添加标签信息，指定要生成的图像的类别。

生成对抗网络白箱攻击实验相关代码，可结合使用文档，见博客记录内容。简单的实现白盒下的图片对抗攻击，将cat图片识别成面包机，且人肉眼分不出，只欺骗模型。

为提升水下图像的增强效果，提出了一种基于金字塔注意力机制和生成对抗网络(GAN)的水下图像增强算法。它将生成对抗网络作为基本架构，生成网络采用编码解码结构并引入特征金字塔注意力模块，多尺度金字塔特征与注意力机制的结合可以捕获更丰富的高级特征以提升模型性能；判别网络采用类似马尔科夫判别器的结构。此外，通过构建包含全局相似性、内容感知和色彩感知的多项损失函数，使增强后的图像与参考图像的结构、内容和色彩保持一致。实验结果表明，所提算法增强的水下图像在清晰度、颜色校正和对比度上都有所提升。其中，在SSIM、UIQM和IE指标上的平均值分别为0.7418、2.9457和4.6925。在主观感知和客观评价指标上，所提算法的实验结果均优于对比算法。

PyTorch生成对抗网络编程（畅销书《Python神经网络编程》作者最新力作！用PyTorch构建自己的生成对抗网络） by 塔里克·拉希德

基于生成对抗网络的对抗样本攻击方法，田宇，刘建毅，随着深度学习技术的广泛应用，深度学习安全问题也逐渐引起人们关注，其中，对抗样本攻击是深度学习在安全领域中的热点。如何对深

基于生成对抗网络GAN的人工智能临近预报方法研究.pdf

SC-FEGAN : AI修图神器 - 使用用户草图和颜色人脸编辑生成对抗网络

合肥工业大学2021届物联网工程毕业论文：基于pix2pix的数据增强方法在工业芯片表面缺陷检测中的应用

通过协同调制的对抗网络进行大规模图像完成，ICLR 2021（聚焦） | [NEW！]是时候玩我们的！ 条件生成对抗网络的许多任务特定变体已经开发出来用于图像完成。 然而，仍然存在严重的局限性，即在处理大规模缺失区域时，所有现有算法都倾向于失败。 为了克服这一挑战，我们提出了一种通用的新方法，该方法通过对有条件和随机样式表示形式进行共调制来弥合图像条件和最近调制的无条件生成体系结构之间的差距。 此外，由于缺乏用于图像完成的良好定量指标，我们提出了新的配对/未配对初始判别分数（P-IDS / U-IDS） ，该指标可通过线性可分离性来可靠地测量修复图像与真实图像之间的感知保真度在特征空间中。 实验证明，在质量和多样性方面都优于最新形式的自由形式图像完成功能，并且易于将图像概括为图像到图像的翻译。 通过协同调制的对抗网络进行大规模图像完成，，盛怡伦，董悦，肖亮，张兆祥，徐彦清华大学与微软