理解对抗网络，首先要了解生成模型和判别模型。判别模型比较好理解，就像分类一样，
有一个判别界限，通过这个判别界限去区分样本。理解了生成模型和判别模型后，再来理解对抗网络就很直接了，对抗网络只是提出了一
种网络结构，总体来说， GANs 简单的想法就是用两个模型，一个生成模型，一个判别模型。
2021-04-21 19:36:56
6.83MB
1
针对低剂量医学CT图像噪声大且配对数据集难以获得的问题,提出一种基于改进型循环一致性生成对抗网络的低剂量CT去噪算法。该算法使用循环一致性生成对抗网络,由未配对的数据集实现了从低剂量CT图像到标准剂量CT图像的端到端映射;同时将密集型残差学习网络模型引入到该网络生成器中,利用残差网络的特征复用性来恢复图像细节,使生成器输出图像更接近目标图像。实验研究表明,本文算法提升了去噪效果,并准确地恢复了图像细节及边缘结构,修复后的图像质量显著提升,有助于病灶的检测与分析。
2021-04-21 15:19:41
2.99MB
1
为提升不同颜色水下图像的增强效果,提出一种基于条件生成对抗网络的水下图像增强方法。该网络在生成模型中加入残差密集块中的残差模块,其密集级联和残差连接可以提取图像的特征信息,改善梯度消失现象;在目标函数中增加两种新的损失函数建立网络模型,使得增强后的图像与输入图像的内容和结构保持一致。实验结果表明,所提方法对不同颜色水下图像的增强效果优于现有算法,具有更好的视觉效果。
2021-04-19 16:35:40
20.97MB
1
本文博客使用的程序，可以拿去直接用，使用GAN生成mnist数据集的图片，tensorflow版本是2.0，使用了keras
2021-04-07 14:27:07
3KB
1
Matlab-GAN：生成对抗网络的MATLAB实现-从GAN到Pixel2Pixel，CycleGAN
2021-04-05 17:03:07
212.61MB
1
基于facades数据集的图像成任务，可完成各种GAN的对比实验。主要包括gan, infogan, pix2pix, wgan, sgan, began, vae, cogan, cyclegan等网络。
2021-03-21 22:02:51
495.59MB