1、Inverse design of 3d molecular structures with conditional generative neural networks（2022论文阅读） 2、包含论文、suppliement information、组会整的英文ppt，论文笔记

条件生成对抗网络源码

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

用PyTorch搭建条件生成对抗网络（CGAN），详情可参考文章：https://blog.csdn.net/didi_ya/article/details/121604572

使用条件生成对抗网络进行图像去雨 [] [] 何章，Vishwanath Sindagi，Vishal M.Patel 在本文中，我们研究了解决单图像去水印问题的新观点。 我们不仅要确保决定什么是实现良好的定量和定性性能的良好先验或良好框架，还应确保排水良好的图像不会降低给定计算机视觉算法（如检测和分类）的性能。 换句话说，消除雨水的结果应该与其对应的清晰图像与给定的鉴别器没有区别。 通过使用最近引入的条件生成对抗网络（GAN），可以将该标准直接合并到优化框架中。 为了最大程度地减少GAN引入的伪像并确保更好的视觉质量，引入了新的精确损失函数。 @article{zhang2017image, title={Image De-raining Using a Conditional Generative Adversarial Network}, author={Zhan

使用gan信号重构 这是使用条件生成对抗网络进行信号重建的项目。

有条件的GAN去噪器 条件生成对抗网络（CGAN）模型的Tensorflow / Keras实现，可用于图像去噪或伪像去除。 CGAN由一个生成器网络和一个鉴别器网络组成。 生成器将嘈杂/伪像图像作为输入，目的是尽可能接近真实图像。 鉴别器模型将真实图像或生成的图像作为输入，目的是尽可能准确地区分两者。 因此，网络参与了至高无上的激烈竞争... 发电机网络模型基于[1]中的U-Net。 GalaxyGAN模型帮助了结构和模型体系结构的一些选择： ，[2]。 安装 旨在与Python 2.7或3.4或更高版本兼容，但仅在2.7.13和3.6.7上进行了测试。 您将需要 ，为您的机器进行适当设置。 您可以在environment.yml看到所需的Python软件包。 如果使用Anaconda，则可以使用此文件安装作者的环境（请注意，使用tensorflow-gpu ，它需要GPU）：

使用Pix2Pix GAN将Google Satelite Image转换为Streetmap图像 Pix2Pix GAN是图像到图像转换的通用方法。 它基于条件生成对抗网络，其中生成目标图像，该目标图像以给定输入图像为条件。 提出了Pix2Pix GAN的思想。 根据该论文，该模型不仅学习从源图像到目标图像的映射，而且学习损失函数以训练该映射。 网络架构 生成器是经过修改的U-net模型，它将RGB图像作为输入，然后尝试将其映射到相同形状的另一个RGB图像。 鉴别器是一个PatchGan，输出一个30x30的矩阵，然后用于计算对抗损失。 数据集 可以使用此从Kaggle下载数据集。 下载数据集后，将其提取到data / dataset文件夹中。 超参数 source_images = 1096 target_images = 1096 IMAGE_HEIGHT = 256 IMAGE_W

为提升不同颜色水下图像的增强效果,提出一种基于条件生成对抗网络的水下图像增强方法。该网络在生成模型中加入残差密集块中的残差模块,其密集级联和残差连接可以提取图像的特征信息,改善梯度消失现象;在目标函数中增加两种新的损失函数建立网络模型,使得增强后的图像与输入图像的内容和结构保持一致。实验结果表明,所提方法对不同颜色水下图像的增强效果优于现有算法,具有更好的视觉效果。