该资源中，论文中英文版本资源都有，Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network 这篇文章的中文翻译 中文名：使用生成对抗网络的逼真的单图像超分辨率 通过谷歌翻译百度翻译等多种翻译单句单句翻译的，格式和公式已经矫正过了，没有乱码。GAN的经典文章，学习生成对抗网络的著名论文，优质翻译你值得拥有，谁用谁知道！

提出一种结合群体交互信息和个体运动信息的生成对抗网络GI-GAN。首先,利用编码层中的双向长短期记忆网络BiLSTM提取观测时段内所有行人自身的运动行为隐藏特征;其次,基于双注意力模块,计算与轨迹生成关联度较高的个体运动信息和群体交互信息;最后,利用生成对抗网络进行全局联合训练,获得反向传播误差和各层的合理网络参数,解码器利用已获取的上下文信息生成多条合理预测轨迹。实验表明,与S-GAN模型相比,GI-GAN模型的平均位移误差和绝对位移误差分别降低了8.8%和9.2%,并且预测轨迹具有更高的精度和合理多样性。

适合感兴趣的同学自学

适合感兴趣的同学自学

适合感兴趣同学自学

基于LSTM生成对抗网络的多类别MIDI音乐生成

DeblurGAN DeblurGAN：使用条件对抗网络进行盲运动去模糊的Pytorch实现。 我们的网络将模糊的图像作为输入，并进行相应的清晰估计，如示例所示： 我们使用的模型是条件性Wasserstein GAN，具有基于VGG-19激活的渐变惩罚+感知损失。 这样的体系结构在其他图像到图像的转换问题（超分辨率，着色，修复，除雾等）上也给出了良好的结果。 怎么跑 先决条件 NVIDIA GPU + CUDA CuDNN（CPU未经测试，感谢反馈） 火炬 从下载权重。 请注意，在推论过程中，您仅需保持Generator权重。 放入砝码 /.checkpoints/experimen

使用生成的专业网络对图像进行着色 ██████╗ ██████╗ ██╗ ██████╗ ██████╗ ██╗███████╗███████╗ ██╔════╝██╔═══██╗██║ ██╔═══██╗██╔══██╗██║╚══███╔╝██╔════╝ ██║ ██║ ██║██║ ██║ ██║██████╔╝██║ ███╔╝ █████╗ ██║ ██║ ██║██║ ██║ ██║██╔══██╗██║ ███╔╝ ██╔══╝ ╚██████╗╚██████╔╝███████╗╚██████╔╝██║ ██║██║███████╗███████╗ ╚═════╝ ╚═════╝ ╚══════╝ ╚═════╝ ╚═╝ ╚═╝╚═╝╚══════╝╚══════╝ 这是。 对于一些应用

CycleGAN的Keras实现代码。CycleGAN 是一种无需成对示例便可自动进行图像到图像转换的技术。这些模型是采用一批无需关联的来自源域和目标域的图像，以一种无监督的方式训练的。

甘伯特 论文代码GAN-BERT：具有健壮标签分类示例的生成式对抗性学习和一堆带标签的示例已在2020年ACL上发表-Danilo Croce （罗马大学Tor Vergata），朱塞佩·卡斯特鲁奇（ Giuseppe Castellucci） （亚马逊）和Roberto Basili的短文（罗马大学的Tor Vergata）。该文件可以在找到。 GAN-BERT是BERT的扩展，它使用“生成对抗”设置来实现有效的半监督学习模式。它允许使用由有限数量的标记示例和未标记材料的较大子集组成的数据集训练BERT。 GAN-BERT可用于序列分类任务（也涉及对文本对）。 该代码在TREC数据集上运行GAN-BERT实验，以实现细粒度的“问题分类”任务。我们在此程序包中提供了代码和用于运行实验的数据，方法是使用2％的标记材料（109个示例）和5343个未标记的示例。测试集由500个带注释的示例组成