针对现有基于深度学习的图像超分辨率重建方法，其对细节纹理恢复过程中容易产生伪纹理，并且没有充分利用原始低分辨率图像丰富的局部特征层信息的问题，提出一种基于注意力生成对抗网络的超分辨率重建方法.该方法中生成器部分是通过注意力递归网络构成，其网络中还引入了密集残差块结构.首先，生成器利用自编码结构提取图像局部特征层信息，并提升分辨率；然后，通过判别器进行图像修正，最终将图像重建为高分辨率图像.实验结果表明，在多种面向峰值信噪比超分辨率评价方法的网络中，所设计的网络表现出了稳定的训练性能，改善了图像的视觉质量，同时具有较强的鲁棒性.

逐步建立的GAN生成对抗网络，博文中可以找到对应的逐句讲解

pytorch 实战，使用生成对抗网络生成动漫图像。 使用的技术：分割数据集（torch.utils.data.random_split）,early_stopping 当满足一定的条件时提前结束训练。训练，测试代码完善，非常容易上手。

内容包含数据集、完整源码以及运行结果。 实验内容：利用GAN网络、mnist数据集生成数字图像。 实验过程：1.进行环境配置 2.首先进行数据准备，将MNIST数据集离线下载，添加至对应的路径，避免代码执行过程中重复下载。 2.对MNIST数据集进行可视化展示，便于之后对比。 3.导入程序需要的模块，如torch、numpy等。 4.对分析器进行参数设定与解析。 5.定义生成器和判别器，实现隐藏层、BN以及前向传播。 6.定义损失函数。 7.初始化生成器、判别器和使用GPU加速。 8.定义神经网络优化器，使用动量梯度下降法。 9.对生成网络和训练网络进行训练。 10.结果保存。 11.修改参数，进行结果对比并分析。

通过信息形式的转换，把抽象的信息转变为更具体的形式，以此在图像生成时获得更好的控制效果。 这是一种很好的思路，可以提供灵感。

建筑视觉 Isola等人在论文“使用条件对抗网络进行图像到图像转换”（ ）中详细介绍了GAN的实现。 为CMU 10-401机器学习课程最终项目（2017年Spring）创建。 写上去 或阅读以下内容。 使用GAN从草图生成建筑的真实感图像 抽象的 将给定的输入图像转换为另一个转换后的输出图像的想法是一个有趣的概念。 我们在此项目中采用的方法是使用生成对抗网络（GAN）学习可以执行此任务的生成模型。 这种方法的好处在于，可以从数据中学习损失函数，因此可以将同一网络应用于各种不同的图像到图像的转换问题。 我们介绍了我们的网络体系结构以及使用这种方法将猫，鞋子和建筑物的草图转换为逼真的对象的结果。 介绍 我们希望了解如何从图像的简单草图中生成逼真的图像。 为此，我们对“有条件对抗网络的图像到图像转换”（Isola等人，2016）中描述的算法进行了批评和实施。 本文研究了如何将条件对抗网络用于

matlab光照模型代码InfoGAN InfoGAN体系结构 Tensorlayer的实现。 结果 MNIST 操纵第一个连续潜在代码 更改将旋转数字： 操纵第二个连续潜在代码 更改将更改数字的宽度： 操纵离散潜在代码（分类） 更改将更改数字的类型： 随机生成和损失图 G_loss在经过足够的迭代次数后稳步增加，这表明鉴别器越来越强，并且表明训练结束。 西莉亚 操纵离散潜在代码 方位角（姿势）： 有无眼镜： 发色： 发量： 灯光： 面Kong 损失图 方位角 随机生成 椅子 回转 跑步 MNIST 开始使用python train.py训练； 这将自动下载数据集。 要查看结果，请执行python test.py并输入已保存模型的编号。 西莉亚 在config.py设置图像文件夹。 数据集的一些链接： 开始训练。 python train.py 面Kong 在config.py设置您的数据文件夹。 BFM 2009的链接： 。 在生成数据之前，应先下载该文件。 使用data_generator的代码生成数据。 在MATLAB中调用gen_data 。 开始使用python train.

生成对抗网络实现手写数字生成

自己写的BEGAN（Boundary Equilibrium GenerativeAdversarial Networks）的pyTorch实现. 有错误可以联系我改正。

1.GAN背景 2.GAN原理 3.最原始GAN 4.GAN变体 5.整整63页的ppt，下载就是赚到 到2014为止，最广泛使用和最成功的机器学习形式是监督学习。通过给定包含{输入X，输出Y}的训练数据集，监督学习算法学习从输入到输出的映射关系，以分类问题举例，监督学习算法得到的模型能够较好的识别特定的类别(一张照片属于狗或猫的情况)。 然而现有的监督学习通常需要数百万个训练数据来达到超过人类表现的效果，这对训练数据集的获取带来了极大的挑战。