生成对抗网络，已训练模型，用于迁移学习

前阵子学习GAN的过程发现现在的GAN 综述文章大都是2016年 lan Goodfellow或者自动化所王飞跃老师那篇。可是在深度学习，GAN领域，其进展都是以月来计算的，感觉那两篇综述有些老了

卷积生成对抗网络之人脸识别（详细步骤讲解+注释版） 注释见代码内，讲解见本人博客

关于生成对抗GAN的干货都在这里了。

本文介绍了一种基于图像生成对抗网络的算法，用于感知遮挡人脸的还原。该算法通过对抗网络的生成器和判别器进行训练，实现了对遮挡人脸的还原。实验结果表明，该算法在还原遮挡人脸方面具有较好的效果。本文的研究对于提高人脸识别的准确性和安全性具有重要意义。

使用PyTorch构建GAN生成对抗网络源码 博客文章中包含了每行代码的详解，自行查看即可

生成对抗神经网络matlab代码犯罪现场调查谋杀案 描述 利用来自 Wi-Fi 信号的信道状态信息 (CSI) 的无设备被动定位正在Swift成为现实。 虽然此功能将启用新的应用程序和服务，但它也引发了对公民隐私的担忧。 在这项工作中，我们针对此类基于 CSI 的定位方法之一提出了一种精心设计的混淆技术。 特别是，我们通过利用不可逆的随机序列来修改传输的 I/Q 样本。 发射机处的 I/Q 符号操作会在保留通信的同时扭曲 CSI 中的位置特定信息，因此攻击者无法再获得有关用户位置的信息。 我们针对基于神经网络 (NN) 的定位系统测试了该技术，并表明 CSI 的随机化使得不需要的定位实际上不可行。 定位系统和随机化 CSI 管理都是在真实设备中实现的。 我们实验室获得的实验结果表明，所考虑的定位方法（首先在一篇硕士论文中提出）无论环境如何都能顺利运行，并且向 CSI 添加随机信息会扰乱定位，从而为社区提供了一个系统同时具有位置隐私和通信性能。 存储库中包含的内容 使用 Matlab WLAN 工具箱生成 WiFi 帧并使用 SDR 平台传输它们。 每个帧的 CSI 可以随意人为更改，以

ESG工作组 03章三法与程序 01-SelectedDataset / 01-AudioFeatures 01-SelectedDataset / 02-AudioPreprocessing 01-audio-raw.wav： ：//sayedqasim.github.io/ESG-WGANGP/03-ChapterThree-MethodsAndProcedures/01-SelectedDataset/02-AudioPreprocessing/01-audio-raw.wav 01-audio-raw-approximated.wav： ： 02-audio-trimmed.wav： ：//sayedqasim.github.io/ESG-WGANGP/03-ChapterThree-MethodsAndProcedures/01-SelectedDataset/

针对现有基于深度学习的图像超分辨率重建方法，其对细节纹理恢复过程中容易产生伪纹理，并且没有充分利用原始低分辨率图像丰富的局部特征层信息的问题，提出一种基于注意力生成对抗网络的超分辨率重建方法.该方法中生成器部分是通过注意力递归网络构成，其网络中还引入了密集残差块结构.首先，生成器利用自编码结构提取图像局部特征层信息，并提升分辨率；然后，通过判别器进行图像修正，最终将图像重建为高分辨率图像.实验结果表明，在多种面向峰值信噪比超分辨率评价方法的网络中，所设计的网络表现出了稳定的训练性能，改善了图像的视觉质量，同时具有较强的鲁棒性.

逐步建立的GAN生成对抗网络，博文中可以找到对应的逐句讲解