Abstract—Deep learning takes advantage of large datasets and computationally efficient training algorithms to outperform other approaches at various machine learning tasks. However, imperfections in the training phase of deep neural networks make them vulnerable to adversarial samples: inputs crafted by adversaries with the intent of causing deep neural networks to misclassify. In this work, we formalize the space of adversaries against deep neural networks (DNNs) and introduce a novel class of

3dgan-chainer 3D生成对抗网络的Chainer实现。 结果 一些好的样品产生了椅子。 （50纪元） python generate_samples.py result/trained_models/Generator_50epoch.npz 要求 链接器（2.0.1） 科学的 scikit图像 h5py pip install scipy scikit-image h5py 可选的 如果要绘制体素，则需要 。 截至2017年10月19日，未发行版本的matplotlib仅包含功能 matplotlib 2.1.0 + 323.ge6448bafc pip install git+https://github.com/matplotlib/matplotlib 数据集 我使用了ShapeNet-v2数据集。 培训脚本支持.binbox或.h5扩展名。 描述你的数据集路径DATASET_PATH在train.py 。 .binvox 只需在ShapeNet-v2中使用.binvox文件

3dgan-keras 这是一个实现 ，最初是由MIT CSAIL提出。 运行python main.py进行训练，不要忘记将卷放在/data/train 。 要进行测试，只需运行python main.py --mode=test并指定所需的test_epoch 。 版本号 keras == 2.2.4 去做 数据加载器 测试脚本 添加张量板 作者 Chi Nok Enoch Kan /

瓦瑟斯坦·甘 Wasserstein GAN（WGAN）论文的PyTorch实现。 该项目正在尝试出于教育目的复制LSUN和CIFAR10实验。 在这个项目中，我们还可以看到深度卷积生成对抗网络（DCGAN）如何演变成WGAN。 注意：DCGAN最初是使用Keras 1实现的，并迁移到了Keras 2。 Jupyter笔记本 火炬 LSUN卧室数据集 用于下载和预处理LSUN LMDB数据的脚本 火炬 CIFAR10 凯拉斯2 MNIST 预训练模型 PyTorch权重文件： 生成的图像样本 更多生成的样本

阿根 | | PyTorch实现可控制的人的图像合成。 ，，，，，北京大学和ByteDance人工智能实验室，CVPR 2020（口服）。 组件属性传递 姿势转移 要求 Python3 pytorch（> = 1.0） 火炬视觉 麻木 科学的 scikit图像 枕头 大熊猫 tqdm 支配 入门 您可以直接从下载我们生成的图像（在Deepfashion中）。 安装 克隆此仓库： git clone https://github.com/menyifang/ADGAN.git cd ADGAN 数据准备 为了方便起见，我们使用DeepFashion数据集并提供数据集拆分文件，提取的关键点文件和提取的细分文件。 推荐数据集结构为： +—deepfashion | +—fashion_resize | +--train (files in 'train.l

Image-to-Image Translation with Conditional Adversarial Networks.pdf

UNet Stylegan2 使用UNet Discriminator实现Stylegan2。该存储库的工作方式与大致相同。只需将所有stylegan2_pytorch命令替换为stylegan2_pytorch unet_stylegan2 。 更新：结果非常好。将需要研究将其与其他一些技术结合起来，然后我将编写完整的使用说明。 安装 $ pip install unet-stylegan2 用法 $ unet_stylegan2 --data ./path/to/data 引文 @misc { karras2019analyzing , title = { Analyzing and Improving the Image Quality of StyleGAN } , author = { Tero Karras and Samuli Laine and Miika

针对ImageNet，CIFAR10和MNIST的PyTorch对抗性攻击基准 ImageNet，CIFAR10和MNIST的PyTorch对抗性攻击基准（最先进的攻击比较） 该存储库提供了用于评估各种对抗攻击的简单PyTorch实现。 该存储库显示每个数据集的最新攻击成功率。 该存储库利用了攻击库，例如 ， 等。 如果您对此存储库有疑问，请给我发送电子邮件（ ）或提出问题。 影像网 该存储库提供了一个包含1,000个类的小型ImageNet验证数据集。 该数据集每个班级有5张图像（总计5,000张图像）。 这是ImageNet验证数据集的子集。

EdgeConnect：具有对抗性边缘学习的生成图像修复 | 介绍： 我们开发了一种新的图像修补方法，可以更好地再现填充区域，这些填充区域显示出精细的细节，这是受我们对艺术家工作方式的理解所启发：首先是线条，然后是颜色。 我们提出了一个两阶段对抗模型EdgeConnect，该模型由一个边缘生成器和一个图像完成网络组成。 边缘生成器使图像的缺失区域（规则的和不规则的）产生幻觉，并且图像完成网络使用幻觉的边缘作为先验来填充缺失区域。 该系统的详细说明可以在我们的找到。 （a）输入缺少区域的图像。 缺失的区域以白色表示。 （b）计算的边缘遮罩。 黑色绘制的边缘是使用Canny边缘检测器（针

advGAN_pytorch 论文“Generating Adversarial Examples with Adversarial Networks” (advGAN) 的 Pytorch 实现。 训练目标模型 python3 train_target_model.py 训练 advGAN python3 main.py 测试对抗样本 python3 test_adversarial_examples.py 结果 MNIST 测试集中的攻击成功率： 99% 注意：我的实现与论文略有不同，因为我添加了一个剪辑技巧。