pix2pix.py用于tf2.0 cycle-gan

利用GAN来解决，训练集和测试集的样本不是来自同一分布 DA：DomainAdaptation Learning a discriminative classifier or other predictor in the presence of a shift between training and test distributions is known as domain adaptation(DA).

颜世伟 我们的目标是创建一个能够生成现实中不存在的逼真的人类图像的模型。 （将来，我将在GAN及其变体上上传一些用例）。 这些AI背后的技术称为GAN，即“生成对抗网络” 。 与其他类型的神经网络（GAN）相比，GAN采取的学习方法不同。 GAN的算法体系结构使用了两个神经网络，分别称为生成器和鉴别器，它们相互“竞争”以产生所需的结果。 生成器的工作是创建看起来逼真的假图像，而鉴别器的工作是区分真实图像和假图像。 如果两者均能正常工作，则结果是看起来像真实照片的图像。 GAN架构： 数据集可以从以下下载： : 您可以在上关注本文，以逐步了解它，并检查我的以进行实施。 输入图像样本： 输出：

2021.03.04 最近看了一些有关GAN对抗神经网络的书，然后看的一些书上有扭曲GAN生成各种图像的程序，自己也尝试着跟着pytorch的工具书写了一个非常简陋的GAN对抗生成动漫头像的小项目 训练集（动漫头像主要来自于safe.booru.donmai.us），可以非常方便的通过爬虫进行爬取，因为爬取的网页一页有20张jpg，所以计数单位是页码运行download.py或download_threads即可，通常来说1000个数据集有点过少了，可以适当增加到10000到100000个 下载完训练集后直接运行main.py即可开始训练，checkpoints中是我的预训练放置的模型，因为训练的epoch不是很多，效果只有轮廓。

GAN类不平衡 GAN用于解决班级不平衡问题

# GAN网络生成人脸Pytorch代码 使用CelebA数据集 数据集链接在压缩包里，通过百度网盘下载

GAN-VAE 分别为CIFAR-10和MNIST任务实施GAN和VAE

Online Multi-Granularity Distillation for GAN Compression

AOT-GAN用于高分辨率图像修复 | AOT-GAN：用于高分辨率图像修复的聚合上下文转换，，，。 引文 如果我们的论文和代码中的任何部分对您的工作有所帮助，请慷慨地引用我们并加注星标 :face_blowing_a_kiss: :face_blowing_a_kiss: :face_blowing_a_kiss: ！ @inproceedings{yan2021agg, author = {Zeng, Yanhong and Fu, Jianlong and Chao, Hongyang and Guo, Baining}, title = {Aggregated Contextual Transformations for High-Resolution Image Inpainting}, booktitle = {Arxiv}, pages={-}, year = {2020} } 介绍 尽管取得了一些令人鼓舞的结果，但是对于现有的图像修复方法来填充高分辨率图像（例如5

图像旋转45度的matlab代码TP-GAN ICCV17论文“”的TP-GAN Tensorflow正式实施，作者为张和Shu，李和，天宇和。 目的是从任何姿势下的单个面部图像中恢复同一个人的正面面部图像。 这是本文中的一些示例。 测试图像 可以在此处获得所有姿势的综合测试图像，MultiPIE中设置2中的相应照明（及其裁剪的输入）。 常见问题解答：可以根据要求获得其他照明条件和/或训练集的合成图像（不是原始图像）。 不幸的是，由于版权原因，我无法重新分发原始数据集。 如果您想访问原始的MultiPIE数据集，请联系。 随机例子 这是每个度数的10个测试图像对的随机示例。 15度和30度： 45度和60度： 75度和90度： 笔记 它最初是用Tensorflow 0.12编写的。 如果您已经实现了另一个版本，我将很乐意在这里引用它。 这是代码的初始版本，可能尚未经过全面测试。 优化，输入数据示例，预训练的模型和预计算的测试图像功能将在稍后发布。 使用Matlab脚本face_db_align_single_custom.m裁剪输入，该脚本接受5个关键点并输出裁剪的图像和转换后的关键点