生成式对抗网络（Generative Adversarial Networks，GANs）作为近年来的研究热点之一，受到了广泛关注，每年在机器学习、计算机视觉、自然语言处理、语音识别等上大量相关论文发表。密歇根大学Jie Gui博士等人近期发布了《A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications》，包括28页pdf，这篇综述论文对460余篇论文进行了尝试从算法，理论和应用的角度对各种GANs方法进行叙述。

针对不可抗力因素造成无人机航拍绝缘子图片模糊、绝缘子目标检测率较低的问题，提出了一种基于Wasserstein距离优化的生成式对抗网络(WGAN)图片去模糊的绝缘子目标检测方法。首先在WGAN训练过程中引入残差网络，使得生成的绝缘子图片更加清晰；其次在损失函数中引入Wasserstein距离以保证训练过程的稳定性；最后通过优化模型的训练过程，使得生成的绝缘子图片细节还原度更高。绝缘子图片去模糊化实验结果表明，所提方法在结构相似性与峰值信噪比等评价指标上均高于基于卷积神经网络与深度多尺度卷积神经网络等图像去模糊算法。另外，将利用所提方法生成的绝缘子图片与模糊绝缘子图片划分为3组，采用改进的基于区域建议的卷积神经网络目标检测算法分别进行目标检测实验，精确度均值分别提高了5.77%、6.73 %与5.98 %，有效提高了绝缘子的目标检测率。

使用生成式对抗学习的3D医学图像分割很少 该存储库包含我们在同名论文中提出的模型的tensorflow和pytorch实现： 该代码在tensorflow和pytorch中都可用。 要运行该项目，请参考各个自述文件。 数据集 选择了数据集来证实我们提出的方法。 它包含10个标记的训练对象和13个未标记的测试对象的3D多模式脑MRI数据。 我们将这10个标记的训练数据分为两个模型的训练，验证和测试图像。（例如，2,1和7）13个未标记的测试图像中的其余部分仅用于训练基于GAN的模型。 数据集也用于测试我们提出的模型的鲁棒性。 它包含3种模式（T1加权，T1加权反转恢复和FLAIR）。 原始数据

异常检测是许多研究领域所面临的重要问题。探测并正确地将一些看不见的东西分类为异常是一个具有挑战性的问题，多年来已经通过许多不同的方式解决了这个问题。生成对抗网络(GANs)和对抗训练过程最近被用来面对这一任务，产生了显著的结果。在本文中，我们综述了主要的基于GAN的异常检测方法，并突出了它们的优缺点。在不同数据集上的实验结果的增加，以及使用GAN的异常检测的完整开源工具箱的公开发布。

最近几年的完整GAN完整综述，上面有各种资源的地址，值得认真阅读

Cyclegan生成式对抗网络，使用tensorflow快速实战-附件资源

基于生成式对抗网络GAN的自动驾驶容错感知研究

本资源通过整理目前GAN的相关论文做出PPT，PPT配套演讲文档，和附上PPT所述的来源引文

生成式对抗网络（GAN,generative adversarial network）对生成式模型的发展具有深远意义，自提出后立刻受到人工智能学术界和工业界的广泛研究与高度关注，随着深度学习的技术发展，生成式对抗模型在理论和应用上得到不断推进。首先，阐述生成对抗模型的研究背景与意义，然后，详细论述生成式对抗网络在建模、架构、训练和性能评估方面的研究进展及其具体应用现状，最后，进行分析与总结，指出生成式对抗网络研究中亟待解决的问题以及未来的研究方向。

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。