《恶意软件分析诀窍与工具箱-对抗流氓软件的技术》 系统安全技术中，对抗流氓软件是一个比较大的方向，有兴趣的可以研究一下

第1章 电子对抗（电子战）概述 第2章 电子对抗中的侦收技术 第3章 电子对抗中的电子进攻技术 第4章 有源干扰机理分析 第5章 对典型电子武器系统的干扰方式讨论 第6章 电子对抗中的电子防护技术

本文通过对抗样本生成技术的回顾，从信号层、内容层以及语义层三个层面，白盒攻击与黑盒攻击两个角度，简要介绍了对抗样本生成技术，目的是希望读者能够更好地发现对抗样本的本质，对机器学习模型的健壮性、安全性和可解释性研究有所启发。

面向生成对抗网络的互优化，可实现可靠的语音识别

图像盲去运动模糊一直是计算机视觉领域的一个经典问题，它的目的是在模糊核未知的情况下恢复清晰图像。考虑到更大的感受野以及多尺度信息对恢复清晰图像中的全局信息以及局部细节信息具有重要作用，因此提出的方法对DeblurGAN方法进行改进，提出一种基于条件生成对抗网络的GR-DeblurGAN（granular residual DeblurGAN）的单图像盲去运动模糊方法，采用细粒度残差模块（granular residual block）作为骨干网络，以此在不增加参数量的情况下，扩大感受野，获得多尺度信息。最后在两个广泛使用的数据集：GoPro数据集以及Kohler数据集上进行算法性能评估，并与代表性算法进行对比。从实验结果可以看出，提出的方法改进效果明显，并且在计算开销上面优于其他算法。

视频监控、军事目标识别以及消费型摄影等众多领域对图像清晰度有很高的要求. 近年来, 深度神经网络在视觉和定量评估的应用研究中取得较大进展, 但是其结果一般缺乏图像纹理的细节, 边缘过度平滑, 给人一种模糊的视觉体验. 本文提出了一种基于生成对抗网络的图像清晰度提升方法. 为了更好的传递图像的细节信息, 采用改进的残差块和跳跃连接作为生成网络的主体架构, 生成器损失函数除了对抗损失, 还包括内容损失、感知损失和纹理损失. 在DIV2K数据集上的实验表明, 该方法在提升图像清晰度方面有较好的视觉体验和定量评估.

GAN从头开始 仅使用NumPy和Python建立的创生对抗网络。 生成器和鉴别器示例图形数据，鉴别器学会辨别真伪数据，而生成器学会通过生成真实外观的图形数据来欺骗鉴别器。 享受！ 怎么跑 要运行该程序，只需安装NumPy并运行main.py pip install numpy python main.py

深度学习在分类任务上取得了革命性的突破，但是需要大量的有标签数据作为支撑.当数据匮乏的时候，神经网络极易出现过拟合的问题，这种现象在小规模数据集上尤为明显.针对这一难题，本文提出了一种基于生成对抗网络的数据增强方法，并将其应用于解决由于数据匮乏，神经网络难以训练的问题.实验结果表明，合成的数据和真实的数据相比既具有语义上的相似性，同时又能呈现出文本上的多样性；加入合成的数据后，神经网络能够更加稳定地训练，而且分类的准确度也有了进一步的提高.将提出的算法和其他一些数据增强的技术对比，我们的方法结果最好，从而证明了这种技术的可行性和有效性.

基于从一张给定年龄的人脸输入图片准确预测出该人老龄化后的人脸图片，并且保持身份的目的，采用了基于条件对抗神经网络的无监督跨领域框架，然后将此框架应用到人脸身份保持的老龄化的任务中的方法。所采用的对抗神经网络通过预训练的人脸识别网络提取源图片的特征，然后将目标年龄信息附加在嵌入式特征空间里，并且送往生成器，随之施加了身份保持的约束。所提出的算法在生成CACD人脸数据集的老化人脸生成实验上产生了高质量，并且保持住身份信息的人脸图片，同时，在人脸跨年龄分类任务上取得了2.64%的识别率增益，进而验证了算法的高准确率和有效性。

sagan-pytorch PyTorch中的自我注意生成对抗网络（SAGAN， //arxiv.org/abs/1805.08318） 用法： python train.py路径 输入目录的结构应如下所示（与torchvision.datasets.ImageFolder一样）： 路径/类1 路径/类2 ... 评估FID分数的代码来自 笔记 来自DCGAN生成器的样本（无残留连接）以120k迭代。 似乎模型大小不足。 FID约为120。此模型折叠后。 来自ResNet生成器290k迭代的样本。 FID约为64.8。 用于生成器与鉴别器的不平衡学习计划，即1：5更新计划。 样本质量似乎有所提高，可能是因为增加了模型大小和更稳定的学习进度。 具有1：1更新时间表的火车Resnet模型既困难又不稳定。