Ian J. Goodfellow等人于2014年提出生成对抗网络。 原文摘要：We propose a new framework for estimating generative models via an adversarial process, in which we simultaneously train two models: a generative model G that captures the data distribution, and a discriminative model D that estimates the probability

本资源是对抗样本领域中首次提出使用梯度方法生成对抗样本的FGSM攻击算法的一篇文章的代码实现，使用的语言是Pytorch语言，文件为Jupyter notebook文件，在电脑环境配置无问题的情况下，可以直接运行此代码文件，内含详细注释。

Contents • Attack Automatically Evading Classifiers,using Genetic Programing • Defense – Feature Squeezing

Deep generative model with domain adversarial training for predicting arterial blood pressure waveform from photoplethysmogram signal

论文：Adversarial Cross-Modal Retrivieval 自己总结的笔记，PPT格式，个人理解和分析。该算法和思想对跨模态这方面有帮助。

旧照片还原（官方PyTorch实施） | | | | :fire: 使旧照片重现生命，CVPR2020（口服） 通过深潜空间转换恢复旧照片，正在审查PAMI 1 ，2 ，3 ，4 ，2 ，1 ，2 1香港城市大学， 2 Microsoft亚洲研究， 3 Microsoft Cloud AI， 4 USTC 这个项目的笔记 该代码源自我们的研究项目，目的是演示研究思路，因此我们并未从产品角度对其进行优化。 而且，我们将花费时间来解决一些常见问题，例如内存不足问题，分辨率受限，但不会在工程方面涉及太多问题，例如推理速度加快，fastapi部署等。顶一下。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。的的的的的的的的话。。。。。。。。。。。

[英语] 这个例子展示了如何训练一个条件生成对抗网络（CGAN）来生成数字图像，这个demo是基于Matlab官方文档Train Conditional Generative Adversarial Network（CGAN）创建的https://jp.mathworks.com/help/deeplearning/ug/train-conditional-generative-adversarial-network.html [日本人]在这个demo中，手写数字是由Conditional GAN（Generative Adversarial Network）生成的。可以通过标签信息+图像学习网络，生成图像时添加标签信息，指定要生成的图像的类别。

U-Net GAN PyTorch PyTorch实施CVPR 2020论文“用于生成对抗网络的基于U网络的鉴别器”。 论文和补充资料可以在找到。 别忘了看一下补充文件（可以在此处找到Tensorflow FID（表S1））。 该代码允许用户重现和扩展研究报告的结果。 报告，复制或扩展结果时，请引用上述论文。 设置 从提供的unetgan.yml文件创建conda环境“ unetgan”。 可以使用training_scripts文件夹中提供的脚本来复制实验（必须手动设置实验文件夹和数据集文件夹）。 争论 解释 --unconditional 如果数据集没有类，请使用此选项（例如CelebA）。 --unet_mixup 使用CutMix。 --slow_mixup 对CutMix增强损失使用预热。 --slow_mixup_epochs 预热的时期数 --full_ba

通过自适应生成实现逼真的虚拟试穿 :left-right_arrow: 保留图像内容，CVPR'20。 CVPR 2020论文“通过自适应生成实现逼真的虚拟试穿”的官方代码 :left-right_arrow: 保留图像内容”。 我们重新排列了VITON数据集以便于访问。 推理 python test.py 数据集分区我们提出了一个标准，介绍了对某些参考图像进行试戴的难度。 我们选择评估试穿难度的具体要点 我们使用姿势图来计算试穿的难度等级。 其背后的主要动机是服装区域中的遮挡和布局越复杂，难度就越大。 并给出了公式， 计算试穿参考图像难度的公式 其中t是某个关键点，Mp'是我们考虑的关键点集合，N是集合的大小。 细分标签 0 - > Background 1 - > Hair 4 - > Upclothes 5 - > Left-shoe 6 - > Right-shoe 7 - > Noise 8 - > Pants 9 - > Lef

通过协同调制的对抗网络进行大规模图像完成，ICLR 2021（聚焦） | [NEW！]是时候玩我们的！ 条件生成对抗网络的许多任务特定变体已经开发出来用于图像完成。 然而，仍然存在严重的局限性，即在处理大规模缺失区域时，所有现有算法都倾向于失败。 为了克服这一挑战，我们提出了一种通用的新方法，该方法通过对有条件和随机样式表示形式进行共调制来弥合图像条件和最近调制的无条件生成体系结构之间的差距。 此外，由于缺乏用于图像完成的良好定量指标，我们提出了新的配对/未配对初始判别分数（P-IDS / U-IDS） ，该指标可通过线性可分离性来可靠地测量修复图像与真实图像之间的感知保真度在特征空间中。 实验证明，在质量和多样性方面都优于最新形式的自由形式图像完成功能，并且易于将图像概括为图像到图像的翻译。 通过协同调制的对抗网络进行大规模图像完成，，盛怡伦，董悦，肖亮，张兆祥，徐彦清华大学与微软