论文来源：Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[J]. Advances in neural information processing systems, 2014, 27. 根据上面论文，做一个简短的ppt汇报、分别讲述GAN的背景、结构、模型和目标函数等方面的理解

采用生成对抗网络（GAN）实现图像去模糊，用于图像的清晰化处理

看我如何让基于生成对抗网络模仿手写数字体系统看我如何让基于生成对抗网络模仿手写数字体系统看我如何让基于生成对抗网络模仿手写数字体系统看我如何让基于生成对抗网络模仿手写数字体系统

生成对抗网络GAN网络的原理，进展，方向。综述的比较详细了

生成对抗网络综述：How Generative Adversarial Networks and Their Variants Work: An Overview

资源包含文件：word+答辩PPT+源码+项目截图 经过国内外学者长时间地对GAN模型训练地数学理论上的研究因为涉及了博弈论、动力学和势场等学科领域而进展缓慢[]。然而研究者对神经网络模型的泛化能力和对抗样本攻击研究的突破，使得将神经网络模型的泛化和纳什均衡联系在一起有着光明的前景。这使得在数学理论等交叉性学科比较薄弱的人工智能研究员们目光吸引在这个领域。虽说，研究角度发生了改变，但是最终还是要解决关于GAN模型的几大根本性问题。以下，将逐步介绍开放性问题及理论原理。 详细介绍参考：https://blog.csdn.net/newlw/article/details/125043759

GAN生成对抗网络，随时生成数据，通过GAN训练后，产生与真实数据一样的数据。MATLAB代码，付代码说明

生成对抗网络(GAN, Generative adversarial network)自从2014年被Ian Goodfellow提出以来，掀起来了一股研究热潮。GAN由生成器和判别器组成，生成器负责生成样本，判别器负责判断生成器生成的样本是否为真。生成器要尽可能迷惑判别器，而判别器要尽可能区分生成器生成的样本和真实样本。

GAIN的tensorflow版本，包括GAIN、SGAIN、WSGAIN-CP、WSGAIN-GP，包含十个数据集和四种缺失数据填补方法，关于GAIN的pytorch版本，可以参考资源：https://download.csdn.net/download/didi_ya/85864128

GAIN的pytorch版本，包括GAIN、SGAIN、WSGAIN-CP、WSGAIN-GP，包含十个数据集和四种缺失数据填补方法，关于GAIN的tensorflow版本，可以参考资源：https://download.csdn.net/download/didi_ya/85864095