目前大多数的图像风格迁移方法属于有监督学习，训练数据需要成对出现，并且在处理图像背景时，现有的方法过于繁琐。针对这些问题，提出了一种基于图像蒙板的无监督图像风格迁移方法。在实验中，采用了基于循环一致性的CycleGAN架构，并使用Inception-ResNet结构设计了一个全新的具有内置图像蒙板的生成式模型，最后通过无监督学习将图像的背景与学习到的抽象特征进行自动重组。实验表明，新方法有效地对图像背景和抽象特征进行自动分离与重组，同时解决了特征学习过程中的区域干扰问题，获得了可观的视觉效果。

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

一个简单的PyTorch实现生成式对抗网络，专注于动画脸部绘图。A simple PyTorch Implementation of Generative Adversarial Networks, focusing on anime face drawing。

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。

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。

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。

利用生成对抗网络对股票进行预测

Matlab-GAN：生成对抗网络的MATLAB实现-从GAN到Pixel2Pixel，CycleGAN