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

红蓝攻防全景推演（攻击面/暴露面，边界突破/防护，横向渗透/区域控制，攻陷/强控，基础/强化/协同三层保护），网络安全综合防御蓝方平台解决方案，数字化资产关联基础库解决方案，数字化风险情报基础库解决方案，数字化安全能力基础库解决方案，网络安全日常管理及运营平台解决方案，一体化对抗蓝方平台解决方案，战略决策协同指挥平台解决方案，数据流动安全监管平台解决方案，云安全一体化综合服务平台解决方案，第三方供应商与应用开发代码安全管控平台解决方案。

利用DCGAN生成对抗网络实现三通道彩色图像（花朵）的生成

用jupyter python实现的一个生成对抗网络的项目，实现生成手写数字图片，相关代码及数据集都有

Matlab的简单GAN基础：基于matlab的简单的生成对抗网络

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。

用于Pytorch的简单StyleGan2 基于的Stylegan2的简单Pytorch实现，可以从命令行进行完全培训，无需编码。 下面是一些不存在的花。 这些手也不 这些城市也没有 这些名人也没有（由训练） 安装 您将需要一台装有GPU和CUDA的计算机。 然后pip这样安装软件包 $ pip install stylegan2_pytorch 如果您使用的是Windows计算机，则可以使用以下命令。 $ conda install pytorch torchvision -c python $ pip install stylegan2_pytorch 利用 $ styleg