小木的博客

Generative Adversarial Registration for Improved Conditional Deformable Templates 论文这是一篇21年5月份的配准论文源码链接源码是用 tf2.* 版本写的，整体来说可读性可以，就是基于前人的 GAN 与 VXM（都有相关代码），加入了自己的创新以及对自己数据的适配性，但是没有数据。其中的一些细节我会在下面的介绍中加入我的理解1. 介绍在本文中提出通过生成对抗网络来估计带有解剖结构的尖锐模板图像。核心是除了较

写在前面的话真是觉得数学决定了人工智能的上限，不得不佩服数学专业的大佬，WGAN还是比较经典的GAN网络，其结果也蛮好的（跑的MNIST数据集），但是损失看了代码也没看懂咋算的，所以还是得从数学原理上详细推导一下，然而很多博客一知半解，有幸看到介绍很完善的推导，尝试记录一些学习理解到的内容，能力有限，如有理解错误还请指出，不胜感激。1. 范数L-P范数，p可以为任意自然数Lp=∣∣x∣∣p=∑i=1nxipp ,x=(x1,x2,…,xn)L_p = ||x||_p = \sqrt[p]{\sum_

写在前面的话GAN是新发展起来而且发展迅速的领域，由于我也是初步调研，因此结合《生成对抗网络入门指南》这本书以及一些该领域发展历程具有重要意义的一些论文进行介绍，尽可能对GAN有一个初步的了解。主要包括：GAN，一些数学基本概念，cGAN，DCGAN，InfoGAN，Improved Techniques for Training GANs，Pix2Pix，WGAN，Progressively Growing of GANS，StackGAN，CycleGAN，SAGAN，最后再总结。目前很多GAN的相关