对抗性例子 PyTorch实施以下算法： 快速梯度符号法（FGSM）[1] 基本迭代方法（BIM）[2] 傻瓜[3] 先决条件 的Python 3.5.2 PyTorch 0.4.0 火炬视觉0.2.1 NumPy 1.14.3 用法 $ python main.py 数据集 结果 干净的 标签：0 标签：1 标签：2 标签：3 标签：4 标签：5 标签：6 标签：7 标签：8 标签：9 FGSM（eps = 0.15） 标签：2 标签：8 标签：1 标签：2 标签：9 标签：3 标签：5 标签：2 标签：1 标签：7 BIM（eps = 0.15，eps_iter = 0.01，n_iter = 50） 标签：7 标签：8 标签：3 标签：2 标签：9 标签：3 标签：5 标签：2 标签：1 标签：7

Tensorflow 中的领域对抗神经网络 域对抗神经网络在 Tensorflow 中的实现。 重新创建 MNIST 到 MNIST-M 实验。 使用tensorflow-gpu==2.0.0和python 3.7.4 。 MNIST 到 MNIST-M 实验 生成 MNIST-M 数据集 改编自 要生成MNIST-M数据集，您需要下载 ，并将其放置在./Datasets/BSR_bsds500.tgz 。 运行create_mnistm.py脚本。 或者，如果在目录中找不到，脚本create_mnistm.py将为您提供下载的选项。 python create_mnistm.py 这应该会生成./Datasets/MNIST_M/mnistm.h5文件。 数据集也可在此处获得： 训练 运行DANN.py脚本。 python DANN.py 取消注释#train('so

聚苯乙烯 我们的CVPR 2020口头文章“ ”的代码。 ，，陈高，曹洁，何然，，。 该代码已由进一步修改。 除了原始算法外，我们还使用Laplace变换添加了高分辨率面部支持。 检查清单 更多结果 视频演示 部分化妆转移示例 插补妆容转移示例 在GPU上推断 训练守则 要求 该代码已在Ubuntu 16.04，Python 3.6和PyTorch 1.5上进行了测试。 对于人脸解析和界标检测，我们使用dlib进行快速实现。 如果您使用gpu进行推理，请确保对dlib具有gpu支持。 我们新收集的Makeup-Wild数据集 在下载Make-Wild（MT-Wild）数据集 测试 运行python3 demo.py或python3 demo.py --device cuda进行gpu推断。 火车 从或下载培训数据，然后将其移动到名为“ data”的子目录中。 （对于百度云用户，您可以在下

Simple_GAN：GAN：通过简单生成对抗网络生成高斯分布的示例

焦点频率损失 该存储库将提供以下论文的正式代码： 图像重建和合成的焦点频率损失，，和arXiv预印本，2020年。 摘要：由于生成模型的发展，图像重建和合成取得了显着进展。 但是，实际图像和生成的图像之间仍然存在间隙，尤其是在频域中。 在这项研究中，我们表明，在频域中缩小间隙可以进一步改善图像重建和合成质量。 我们提出了一种新颖的焦点频率损耗，它可以使模型自适应地关注那些难以通过对简单频率分量进行加权来合成的频率分量。 这个目标函数是对现有空间损耗的补充，由于神经网络的固有偏差，对重要频率信息的丢失提供了很大的阻抗。 我们展示了聚焦频率损失在感知质量和定量性能方面的多功能性和有效性，以改善诸如VAE，pix2pix和SPADE等流行模型。 我们还将在StyleGAN2上展示其潜力。 更新 [12/2020]焦点频率损失在arXiv上发布。 代码 该代码将公开提供。 敬请期待。 结果

Skorokhodov_Adversarial_Generation_of_Continuous_Images_CVPR_2021_supplemental.pdf

作者提出了一个统一的无监督对抗域适应性框架，分别对三基本模型、是否权值共享、损失函数设计选择做出来讨论。dversarial-discriminative-domain-adaptation

半监督学习以改善肺癌的检测 使用生成模型和半监督学习促进肺癌检测 用于训练的数据集 LUNA16数据集（ ） Kaggle数据科学碗2017（ ） 建筑学 结果 结节检测器结果 发电机结果 分类器结果 方法 准确性 监督学习 64％ 半监督学习 87.3％ 资源 Kaggle数据科学碗2017内核 Luna2016-肺结节检测 Tensorflow中的半监督学习GAN [链接] DSB2017 [链接] Keras-GAN [链接] 使用很少的数据构建强大的图像分类模型[link] 贡献者： Dhamodhran（ @ svella9 ） 悉达思R科蒂（ siddharthkoti ） 维杰·蒙达拉吉（ Vijay-Mundaragi ）

密码 CipherGAN的实现，用于获得详细介绍的结果。 作者：（ ，， ，（ ，（ ， 引用这项工作 @inproceedings{ n.2018unsupervised, title={Unsupervised Cipher Cracking Using Discrete {GAN}s}, author={Aidan N. Gomez and Sicong Huang and Ivan Zhang and Bryan M. Li and Muhammad Osama and Lukasz Kaiser}, booktitle={Internatio

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。 对抗示例的大小：224 x 224 x 3（150,528个参数） 1. Linf FGSM（非目标） Advertorch和Foolbox显示几乎相同的结果。 Epsilon大小 1/255 2/255 4/255 8/25