本资源主要包含AnimeGANv3的照片动漫化算法，其是AnimeGAN和AnimeGANv2的升级版。可将现实世界的照片或视频转为动漫风格的照片或视频。主要动漫风格包含宫崎骏动漫风格，新海诚动漫风格。官方算法链接：https://github.com/TachibanaYoshino/AnimeGANv3

压缩包内包含16篇生成对望网络GAN方面的英文论文（全是英文，不包含中文论文）。包含GAN, conditional GAN, DCGAN, WAGAN, SAGAN, 训练GAN的技巧等等，看完会对GAN有一个深入的认识。

SC-FEGAN SC-FEGAN：具有用户草图和颜色的人脸编辑生成对抗网络（ICCV 2019）Youngjoo Jo，Jongyoul Park arXiv：https://arxiv.org/abs/1902.06838概述使用深SC-FEGAN SC编辑人脸图像-FEGAN：使用用户的草图和颜色进行人脸编辑生成对抗网络（ICCV 2019）Joongjooul Park arXiv的Youngjoo Jo，https：//arxiv.org/abs/1902.06838概述使用深度神经网络编辑人脸图像。 用户可以使用直观的输入（例如草图和着色）来编辑面部图像，我们的网络SC-FEGAN可以从中生成高质量的合成图像。 我们使用了带有门控卷积层的SN-patchGAN鉴别器和类似Unet的生成器。 依存关系十

开始：边界平衡生成对抗网络 这是关于边界均衡生成对抗网络的论文的实现 。 依存关系 Python 3+ 麻木 张量流 tqdm h5py scipy（可选） 什么是边界均衡生成对抗网络？ 与标准的生成对抗网络，边界平衡生成对抗网络（BEGAN）使用自动编码器作为判别器。 定义自动编码器损耗，然后在真实样本和生成的样本的像素式自动编码器损耗分布之间计算Wasserstein距离的近似值。 在定义了自动编码器损耗的情况下（上图），Wasserstein距离近似简化为损耗函数，其中可区分的自动编码器的目标是在真实样本上表现出色，而在生成的样本上表现不佳，而生成器的目标是生成具有鉴别力的对抗样本忍不住表现出色。 此外，引入了超参数伽玛，它使用户能够通过平衡鉴别器和发生器来控制样品的多样性。 伽玛通过使用加权参数k来生效，该参数在训练时会进行更新以适应损失函数，从而使我们的输出与所需的

基于生成对抗网络和差分隐私提出一种文本序列数据集脱敏模型，即差分隐私文本序列生成网络（DP-SeqGAN）。DP-SeqGAN通过生成对抗网络自动提取数据集的重要特征并生成与原数据分布接近的新数据集，基于差分隐私对模型做随机加扰以提高生成数据集的隐私性，并进一步降低鉴别器过拟合。DP-SeqGAN 具有直观通用性，无须对具体数据集设计针对性脱敏规则和对模型做适应性调整。实验表明，数据集经DP-SeqGAN脱敏后其隐私性和可用性明显提升，成员推断攻击成功率明显降低。

GAN生成面： Udacity深度学习纳米学位 使用GAN（生成对抗网络）生成新的面Kong图像。 如何运行： 安装点子 在命令行中通过pip安装jupyter笔记本：“ pip3 install jupyter” 克隆此仓库 进入终端中的这个仓库 在终端中运行“ jupyter笔记本”

这个仓库是一个“玩具”项目，所以我可以获得构建深层神经网络的经验。 我的第一个目标是学习用生成对抗网络（^。^。^）来生成猫的图片。

着色_GAN 使用条件生成对抗网络进行灰度图像着色。 这是DCGAN的PyTorch实现，如论文“中所述 先决条件 Python 3.6 火炬 方法 在传统GAN中，发生器的输入是随机产生的噪声数据z。 但是，由于其输入的性质，该方法不适用于自动着色问题。 必须修改发生器，以接受灰度图像作为输入而不是噪声。 通过使用称为的GAN变体解决了此问题。 由于没有引入噪声，因此将生成器的输入视为零噪声，而将灰阶输入作为先验： 鉴别器从生成器和原始数据中获取彩色图像，并以灰度输入作为条件，并试图分辨出哪对包含真正的彩色图像： 网络架构 生成器的体系结构受U-Net的启发：模型的体系结构是对称的，具有n个编码单元和n个解码单元。 为了区分，我们使用类似的架构作为基线收缩路径。 数据集 我们使用CIFAR-10数据集。 要培养对fulldataset模式，下载数据集。 参考 使用GAN进行图像着

借助生成对抗网络实现无人监督的深度图像增强 IEEE图像处理事务（T-IP） 1 ，1 ，1 ，2 ， 1 [ ] [ ] 1香港城市大学， 2美团集团 介绍 该网站共享IEEE图像处理事务（T-IP），第一卷，“通过生成的对抗网络实现无监督的深度图像增强”的代码。 2020年9月29日，第9140-9151页。 抽象的 对于公众而言，提高图像的美学质量是充满挑战和渴望的。 为了解决这个问题，大多数现有算法都是基于监督学习方法来学习用于配对数据的自动照片增强器，该照片增强器由低质量的照片和相应的专家修饰版本组成。 但是，专家修饰的照片的样式和特征可能无法满足一般用户的需求或偏好。 在本文中，我们提出了一种无监督的图像增强生成对抗网络（UEGAN），该网络以无监督的方式从一组具有所需特征的图像中学习相应的图像到图像的映射，而不是学习大量的成对图像。 所提出的模型基于单个深层GAN，该

1.进行生成对抗网络或零样本学习的学术研究生； 2.想了解生成对抗网络或零样本学习应用现状，不知从何看起； 3.需要多看文献来了解GAN的使用和应用； 4.希望快速ZSL的结合点和应用情况，并寻找灵感；