GAN的tensorflow简单实现，在MNIST和SVHN数据集的生成样本，适合GAN的入门，代码解释也非常详细，希望对大家有所帮助。

基本SR BasicSR（基本超级还原）是基于PyTorch的开源图像和视频还原工具箱（超分辨率，去噪，去模糊等）。 这是原始BasicSR的经过大量修改的分支。 您将在此处找到的内容：用于训练和测试计算机视觉（CV）模型的样板代码，集成在单个管道中的不同CV方法和策略以及模块化，以根据需要添加和删除组件，包括新的网络体系结构。 进行了大量的代码重写，以减少代码冗余和重复，重组代码并使其更具模块化。 可以在找到支持的体系结构的详细信息。 （自述文件当前为WIP） 此代码的最新版本中的一些新功能： 现在，将不同功能（HFEN，SSIM / MS-SSIM，SPL，TV / DTV等）使用的滤镜和图像操作合并到filter.py和colors.py中。 可重用的损失生成器，可以减少使用新模型时所需的更改，并且对所有模型仅添加一次新损失 度量构建器，在验证期间仅包括选定的那些。

mnist_dcgan_tf2.h5用于手写体数字生成模型，为预训练权重，配合https://blog.csdn.net/zhaoguanghe/article/details/103937962文章使用。

通过协同调制的对抗网络进行大规模图像完成，ICLR 2021（聚焦） | [NEW！]是时候玩我们的！ 条件生成对抗网络的许多任务特定变体已经开发出来用于图像完成。 然而，仍然存在严重的局限性，即在处理大规模缺失区域时，所有现有算法都倾向于失败。 为了克服这一挑战，我们提出了一种通用的新方法，该方法通过对有条件和随机样式表示形式进行共调制来弥合图像条件和最近调制的无条件生成体系结构之间的差距。 此外，由于缺乏用于图像完成的良好定量指标，我们提出了新的配对/未配对初始判别分数（P-IDS / U-IDS） ，该指标可通过线性可分离性来可靠地测量修复图像与真实图像之间的感知保真度在特征空间中。 实验证明，在质量和多样性方面都优于最新形式的自由形式图像完成功能，并且易于将图像概括为图像到图像的翻译。 通过协同调制的对抗网络进行大规模图像完成，，盛怡伦，董悦，肖亮，张兆祥，徐彦清华大学与微软

摘要：氮化镓(GaN)和碳化硅(SiC)功率晶体管就是其中的两种解决方案。 这些器件与长寿命硅功率LDMOS mosfet和超结mosfet竞争。 GaN和SiC器件在某些方面是相似的，但也有显著的差异。 本文对两者进行了比较，并提供了一些事实，以帮助您为下一个设计做出决策。

摘要：目前大多数 III 族氮化物的加工都是通过干式等离子体蚀刻完成的。 干式蚀刻有几个缺点，包括产生离子诱导损伤，并且难以获得激光所需的光滑蚀刻侧壁。典型的均方根 ~rms！通过干法蚀刻产生的侧壁的粗糙度约为 50 nm，尽管最近已经报道了具有低至 4±6 nm 的 rms 粗糙度的表面。光增强电化学~PEC！湿法蚀刻也已被证明用于蚀刻氮化镓~GaN！。PEC蚀刻具有设备成本相对较低、表面损伤小等优点，但目前还没有找到生产光滑垂直侧壁的方法。还报道了 GaN 的解理面，其均方根粗糙度在蓝宝石衬底上生长 GaN 的16 nm 和尖晶石衬底上生长 GaN 的 0.3 nm 之间变化。

摘要：电力电子学是固态电子学在电力控制和转换方面的应用。第一个功率 MOSFET 出现在 1970 年代后期，作为双极晶体管的替代品。如图 1.1 所示。

给出了GaN驱动电路的详细设计方案和例程，包括电源供给、驱动芯片的选型、布局的注意事项等

顾老师GAN最优传输理论pdf整理，最优传输是数学领域的经典分支,最优传输与神经网络有天然的相似性,最优传输理论的研究也许能为深度学习理论研究打开一扇窗！

Generative Adversarial Networks with Python Deep Learning Generative Models for Image Synthesis and Image Translation by Jason Brownlee 29 step-by-step lessons, 652 pages. intuitions behind models, much more. generate faces, translate photos, more 生成对抗网络是一种深度学习生成模型，可以在一系列图像合成和图像对图像转换问题上实现惊人的照片现实效果。 在这部新的电子书写在友好的机器学习掌握风格，你习惯了，跳过数学，直接跳到获得结果。 通过清晰的解释、标准的 Python 库（Keras和TensorFlow 2）和分步教程课程，您将发现如何为自己的计算机视觉项目开发生成对抗网络。