神经网络后处理 使用卷积神经网络进行Unity的后处理。 使用pix2pix / GAN训练的CNN模型，快速的神经样式传递您可以离线创建样式并使用自己的数据训练网络，从而制作出NNPP！ 带有pix2pix或快速样式转移的培训师 Keras模型和Unity重量说明 受过快速神经风格转换训练： 这是运行时和培训的源代码。 预训练模型在AssetStore上 如何运行： 打开场景场景并运行！ 需求 Unity 2018.2+ 支持计算着色器（DX11 +，Vulkan，Metal） 参考

压缩包内包含16篇生成对望网络GAN方面的英文论文（全是英文，不包含中文论文）。包含GAN, conditional GAN, DCGAN, WAGAN, SAGAN, 训练GAN的技巧等等，看完会对GAN有一个深入的认识。

在TensorFlow / TensorLayer中开始 BEGAN的TensorFlow / TensorLayer实现 先决条件 Python 2.7或Python 3.3+ 用法 首先，将图像下载到data/celebA ： $ python download.py celebA [202599 face images] 其次，训练GAN： $ python main.py --point "25 58" 第三，使用训练有素的生成器生成人脸： $ python generate.py --num_imgs 1000 CelebA的结果 从头到60k（每500次迭代捕获帧）。 gamma=0.5

高效蓝光GaN发光二极管和激光器

围绕 GAN 的研究 的研究 可以分为两条主线，一是 可以分为两条主线，一是 可以分为两条主线，一是 理论主线， 理论主线， 从数学理论上研究如何解决 从数学理论上研究如何解决 从数学理论上研究如何解决 GAN 的不稳定性和模式崩塌问题 的不稳定性和模式崩塌问题 的不稳定性和模式崩塌问题 ，或者从信息理论和基于能量的模型等不同角度重新阐述它。 或者从信息理论和基于能量的模型等不同角度重新阐述它。 或者从信息理论和基于能量的模型等不同角度重新阐述它。 或者从信息理论和基于能量的模型等不同角度重新阐述它。 或者从信息理论和基于能量的模型等不同角度重新阐述它。 或者从信息理论和基于能量的模型等不同角度重新阐述它。 或者从信息理论和基于能量的模型等不同角度重新阐述它。 或者从信息理论和基于能量的模型等不同角度重新阐述它。 二 是应用主线， 致力于 将 GAN 应用于计算机视觉领域 应用于计算机视觉领域 应用于计算机视觉领域 、利用 GAN 进行 图像生成 （指定图像合成、 （指定图像合成、 （指定图像合成、 文本到图像，、视频）以及 文本到图像，、视频）以及 文本到图像，、视频）以及 文本到图像，、视频）以及 文本到图像，、视频）以及 文本到图像，、视频）以及 将 GAN 应用于 应用于 NLP 或其它领域 其它领域 。利用 GAN 进行 图像生 成和转换 是当前 研究最多的，并且该领域已经证明了 研究最多的，并且该领域已经证明了 研究最多的，并且该领域已经证明了 研究最多的，并且该领域已经证明了 研究最多的，并且该领域已经证明了 研究最多的，并且该领域已经证明了 GAN 在图像合成中 在图像合成中 的巨大潜力。

作者： Ivan Bongiorni ，数据科学家。 卷积递归Seq2seq GAN用于时间序列数据中缺失值的插补 描述 该项目的目标是为时间序列数据的插补实现递归卷积Seq2seq神经网络的多种配置。 提供了三种实现： 循环卷积seq2seq模型。 基于上述相同体系结构的GAN （生成对抗网络），其中训练了Imputer来欺骗试图区分真实和假（推算）时间序列的对抗网络。 一种部分对抗的模型，其中先前模型的两种损失结构都组合在一个模型中：Imputer模型必须减少真实的错误损失，同时尝试欺骗鉴别器。 模型在TensorFlow 2中实现，并在数据集中进行了训练。 档案文件 config.yaml ：用于数据预处理，培训和测试的配置参数。 管道： main_processing.py ：启动数据预处理管道。 其结果是将准备好训练的数据集以.npy（ numpy ）格式保存在/da

GAN研究 研究生研究项目，使用CycleGAN和其他生成模型探索图像到图像的翻译。

使用深度哈希的图像检索中最惊人的成功主要涉及判别模型，该模型需要标签。在本文中，我们使用二进制生成的adver sarial网络（BGAN）将图像以无监督的方式嵌入到二进制代码中。通过将生成对抗网络（GAN）的输入噪声变量限制为二进制且以每个输入图像的特征为条件，BGAN可以同时学习每个图像的二进制表示形式，并生成与原始图像相似的图像。在提出的框架中，我们解决了两个主要问题： 1）如何不松懈地直接生成二进制代码？ 2）如何为二进制表示配备准确率图像检索功能？ 我们通过提出新的符号激活策略和指导学习过程的损失函数来解决这些问题，损失函数包括对抗性损失，内容损失和邻域结构损失的新模型

gan的视频版的讲解(http://www.mooc.ai/open/course/301) PPT

语音转换 语音的神经风格转移模型。