视频监控、军事目标识别以及消费型摄影等众多领域对图像清晰度有很高的要求. 近年来, 深度神经网络在视觉和定量评估的应用研究中取得较大进展, 但是其结果一般缺乏图像纹理的细节, 边缘过度平滑, 给人一种模糊的视觉体验. 本文提出了一种基于生成对抗网络的图像清晰度提升方法. 为了更好的传递图像的细节信息, 采用改进的残差块和跳跃连接作为生成网络的主体架构, 生成器损失函数除了对抗损失, 还包括内容损失、感知损失和纹理损失. 在DIV2K数据集上的实验表明, 该方法在提升图像清晰度方面有较好的视觉体验和定量评估.

深度学习在分类任务上取得了革命性的突破，但是需要大量的有标签数据作为支撑.当数据匮乏的时候，神经网络极易出现过拟合的问题，这种现象在小规模数据集上尤为明显.针对这一难题，本文提出了一种基于生成对抗网络的数据增强方法，并将其应用于解决由于数据匮乏，神经网络难以训练的问题.实验结果表明，合成的数据和真实的数据相比既具有语义上的相似性，同时又能呈现出文本上的多样性；加入合成的数据后，神经网络能够更加稳定地训练，而且分类的准确度也有了进一步的提高.将提出的算法和其他一些数据增强的技术对比，我们的方法结果最好，从而证明了这种技术的可行性和有效性.

sagan-pytorch PyTorch中的自我注意生成对抗网络（SAGAN， //arxiv.org/abs/1805.08318） 用法： python train.py路径 输入目录的结构应如下所示（与torchvision.datasets.ImageFolder一样）： 路径/类1 路径/类2 ... 评估FID分数的代码来自 笔记 来自DCGAN生成器的样本（无残留连接）以120k迭代。 似乎模型大小不足。 FID约为120。此模型折叠后。 来自ResNet生成器290k迭代的样本。 FID约为64.8。 用于生成器与鉴别器的不平衡学习计划，即1：5更新计划。 样本质量似乎有所提高，可能是因为增加了模型大小和更稳定的学习进度。 具有1：1更新时间表的火车Resnet模型既困难又不稳定。

甘 生成对抗网络（GAN）以生成MNIST图像。

GAN Lab：生成对抗网络GAN的交互式可视化实验工具

我就废话不多说了，直接上代码吧！ import torch import torch.nn as nn from torch.autograd import Variable import numpy as np import matplotlib.pyplot as plt torch.manual_seed(1) np.random.seed(1) BATCH_SIZE = 64 LR_G = 0.0001 LR_D = 0.0001 N_IDEAS = 5 ART_COMPONENTS = 15 PAINT_POINTS = np.vstack([np.linspace(-1,1,AR

DF-GAN：用于文本到图像合成的深度融合生成对抗网络 （一种新颖有效的一级文本到图像主干） 官方Pytorch实施对我们的报纸由明道，，， ，，，。 要求 python 3.6+ 火炬1.0+ 易言 恩特克 scikit图像 titan xp（在* .yaml中设置nf = 32）或V100 32GB（在* .yaml中设置nf = 64） 安装 克隆此仓库。 git clone https://github.com/tobran/DF-GAN cd DF-GAN/code/ 数据集准备 下载的预处理元数据并将其保存到data/ 下载图像数据。 将它们提取到data/birds/ 下载数据集并将图像提取到data/coco/ 预训练文本编码器 下载CUB的预训练文本编码器，并将其保存到DAMSMencoders/bird/inception/ 下载针对coco的预训练文本

生成压缩 TensorFlow实现，用于使用生成对抗网络来学习图像压缩。 该方法由Agustsson等开发。 等基于。 提出的想法非常有趣，并且对它们的方法进行了详细描述。 用法 代码取决于 # Clone $ git clone https://github.com/Justin-Tan/generative-compression.git $ cd generative-compression # To train, check command line arguments $ python3 train.py -h # Run $ python3 train.py -opt momen

将迁移学习和GAN生成对抗网络结合的一篇论述。

模仿学习就是希望机器能够通过观察模仿专家的行为来进行学习。OpenAI，DeepMind，Google Brain目前都在向这方面发展。