船-维根-火炬 作者：谷玉超 电子邮件： 日期：2018-05-27 说明：该代码是的pytorch实现。 概述 数据 您可以从此服务器下载火车和测试数据。 您也可以在eyedata文件夹中找到数据。 前处理 该数据集包含20个训练图像，我的预处理的第一步是随机裁剪为512 * 512。 第二步是随机更改火车图像的亮度，对比度和色相。 我在代码中实现了此方法，因此可以方便地使用它。 此外，基于gan的生成视网膜图像的方法可以用作额外的数据源。 模型 训练 python train.py 如何使用 依存关系 此代码取决于以下库： Python 3.6 火炬 皮尔 结构体 vessel gan │ ├── eyedata # drive data │  ├── gycutils # my utils for data augmentation │  ├── Criterion.p

GAN生成面： Udacity深度学习纳米学位 使用GAN（生成对抗网络）生成新的面Kong图像。 如何运行： 安装点子 在命令行中通过pip安装jupyter笔记本：“ pip3 install jupyter” 克隆此仓库 进入终端中的这个仓库 在终端中运行“ jupyter笔记本”

生成式对抗网络（GAN）系列，介绍主流生成式对抗网络算法及原理，包括：GANs、DCGAN、WGAN、LS-GAN等，以及一些有意思的应用。

着色_GAN 使用条件生成对抗网络进行灰度图像着色。 这是DCGAN的PyTorch实现，如论文“中所述 先决条件 Python 3.6 火炬 方法 在传统GAN中，发生器的输入是随机产生的噪声数据z。 但是，由于其输入的性质，该方法不适用于自动着色问题。 必须修改发生器，以接受灰度图像作为输入而不是噪声。 通过使用称为的GAN变体解决了此问题。 由于没有引入噪声，因此将生成器的输入视为零噪声，而将灰阶输入作为先验： 鉴别器从生成器和原始数据中获取彩色图像，并以灰度输入作为条件，并试图分辨出哪对包含真正的彩色图像： 网络架构 生成器的体系结构受U-Net的启发：模型的体系结构是对称的，具有n个编码单元和n个解码单元。 为了区分，我们使用类似的架构作为基线收缩路径。 数据集 我们使用CIFAR-10数据集。 要培养对fulldataset模式，下载数据集。 参考 使用GAN进行图像着

GAN用途使用方法及学习.docx

借助生成对抗网络实现无人监督的深度图像增强 IEEE图像处理事务（T-IP） 1 ，1 ，1 ，2 ， 1 [ ] [ ] 1香港城市大学， 2美团集团 介绍 该网站共享IEEE图像处理事务（T-IP），第一卷，“通过生成的对抗网络实现无监督的深度图像增强”的代码。 2020年9月29日，第9140-9151页。 抽象的 对于公众而言，提高图像的美学质量是充满挑战和渴望的。 为了解决这个问题，大多数现有算法都是基于监督学习方法来学习用于配对数据的自动照片增强器，该照片增强器由低质量的照片和相应的专家修饰版本组成。 但是，专家修饰的照片的样式和特征可能无法满足一般用户的需求或偏好。 在本文中，我们提出了一种无监督的图像增强生成对抗网络（UEGAN），该网络以无监督的方式从一组具有所需特征的图像中学习相应的图像到图像的映射，而不是学习大量的成对图像。 所提出的模型基于单个深层GAN，该

gan对抗神经网络源代码

基于pytorch实现原版GAN，一个是原本GAN，另一个是使用BCELoss的GAN

PyTorch-GAN.rar

变分自动编码和对抗生成网络在深度学习领域取得广泛的影响力，其背后思想和方法技巧可以在wake-sleep框架下进行统一和相互改进。本来希望能够这方面的工作做个总结，但是发现这是一个大的topic，涉及的文献源远流长，很难把握其中的要义，只要做成一个部分的ppt，需要继续努力完整这个讨论！