SRGAN-PyTorch 概述 该存储库包含对进行的逐点PyTorch重新实现。 目录 关于使用生成对抗网络的逼真的单图像超分辨率 如果您不熟悉SRGAN，请直接从本文中摘录以下内容： 尽管使用更快，更深的卷积神经网络在单图像超分辨率的准确性和速度方面取得了突破，但仍然存在一个主要问题仍未解决：当在较大的放大比例下进行超分辨率处理时，如何恢复更精细的纹理细节？ 基于优化的超分辨率方法的行为主要由目标函数的选择决定。 最近的工作主要集中在最小化均方重构误差上。 得出的估计值具有很高的峰值信噪比，但是它们通常缺少高频细节，并且在某种意义上说它们无法满足更高分辨率下的保真度，因此在感觉上并不令人满意。 在本文中，我们介绍了SRGAN，这是一种用于图像超分辨率（SR）的生成对抗网络（GAN）。 据我们所知，它是第一个能够为4倍放大因子推断出逼真的自然图像的框架。 为此，我们提出了一种感知损失函

通过成形InGaN / GaN纳米棒来修改远场辐射图

透射式GaN光电阴极在正面光照和背面光照下的量子效率特性研究

GaN紫外光阴极材料的高低温两步制备实验研究

梯度掺杂与均匀掺杂GaN光电阴极的对比研究

反射式NEA GaN光电阴极量子效率恢复研究

Companion repository to GANs in Action: Deep learning with Generative Adversarial Networks

在已有理论基础之上，采用严格的计算方法对激光器实现太赫兹(THz)波的辐射进行了可能性分析。利用传递矩阵法，通过Matlab软件计算了基于AlGaN/GaN材料体系的三能级量子级联激光器导带子能级与电子波函数的分布，详细分析了由该材料特有的极化效应所产生的极化场，得出了在近共振条件下偶极跃迁元、外加电场、垒层Al组分及导带子能级能级差之间的关系，并研究了它们对激光器性能的影响。分析结果表明，实现受激辐射的条件非常严格，Al组分取0.15或0.16时较为适宜，同时外加电场需大于63 kV/cm，但不能过大，这样才能满足近共振条件，实现粒子数反转达到太赫兹量子级联激射。在Al组分为0.15，外加电

生成对抗网络（GAN）是无监督学习领域最近几年快速发展的一个研究方向，其主要特点是能够以一种间接的方 式对一个未知分布进行建模。在计算机视觉研究领域中，生成对抗网络有着广泛的应用，特别是在图像生成方面，与其他的 生成模型相比，生成对抗网络不仅可以避免复杂的计算，而且生成的图像质量也更好。

新型TurboDisc EPIK700 GaN MOCVD系统