计算机视觉(CV)-生成模型：GAN经典模型【CGAN、CycleGAN、LSGAN、WGAN、DCGAN、BigGAN、StyleGAN、Pix2Pix、StackGAN】

最新推荐文章于 2025-01-30 09:52:22 发布
最新推荐文章于 2025-01-30 09:52:22 发布
阅读量1.2k 收藏 5
点赞数
分类专栏： 计算机视觉/CV 文章标签： 人工智能 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/u013250861/article/details/111658690
版权
这篇博客深入探讨了Generative Adversarial Networks（GANs）的各种经典结构，包括ACGAN、BigGAN、CycleGAN等，并提及了WGAN和InfoGAN等改进模型。文章还讨论了原始GAN存在的问题及解决方案，如训练稳定性和模式塌陷等。同时，提到了Pix2Pix等实际应用案例，为读者提供了丰富的GAN模型理解和应用参考。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Generative Adversarial Networks经典结构：

ACGAN
BiGAN/ALI
BigGAN
CycleGAN=DualGAN=DiscoGAN
Conditional GANs
CoupleGAN
ComboGAN(Cycle Consistency)
DCGAN
DuelGAN
EBGAN/BEGAN
fGAN
GAN
InfoGAN
LSGAN(Least Square GAN)
LSGAN(Loss-Sensitive GAN)
MMGAN
NSGAN
Progressive GAN
RankGAN
StackGAN
StarGAN
SeqGAN
StyleGAN
Triple GAN
Unroll GAN
VAEGAN
WGAN
XGAN

Improved WGAN
Spectrum Norm

UNIT

Improved Techniques for Training GANs

Progressively Growing GANs

DTN(Semantic Consistency)
XGAN(Semantic Consistency)

Pix2Pix

参考资料：
GitHub:The-GAN-Zoo
GAN系列-学习GAN模型必读的论文综述
GAN的系列经典模型讲解
CNN经典模型汇总
CNN经典模型VGG
卷积神经网络之VGG
深度学习中最常见GAN模型应用与解读
原始GAN存在的问题
原始GAN究竟出了什么问题
谈谈WGAN的理解-原始GAN存在问题

计算机视觉(CV)-生成模型：GAN（Generative Adversarial Network对抗生成网络）【Generator(RNN/CNN)+Discriminator(CNN)】【单调】
u013250861的博客
12-24 1526
生成对抗网络（英语：Generative Adversarial Network，简称GAN）是生成模型的一种，生成模型就是用机器学习去生成我们想要的数据，正规的说法是，获取训练样本并训练一个模型，该模型能按照我们定义的目标数据分布去生成数据。GAN 的核心思想源于博弈论的纳什均衡。GAN能够有效地解决很多生成式方法的缺点，主要包括：训练了多次以后，生成的图片人脸分布都是一样的，只有色调的改变。 Inception Score参考资料： 转载 | 史上最全GAN综述2020版：算法、理论及应用 GAN 的
GAN（Generative Adversarial Network，GAN）模型之：pix2pix、pix2pixHD、Vid2Vid、CycleGAN、StyleGAN模型
data+scenario+science+insight
06-03 611
GAN（Generative Adversarial Network，GAN）模型之：pix2pix、pix2pixHD、Vid2Vid、CycleGAN、StyleGAN模型 目录 GAN（Generative Adversarial Network，GAN）模型之：pix2pix、pix2pixHD、Vid2Vid、CycleGAN、StyleGAN模型 pix2pix pix2pixHD Vid2Vid CycleGAN StyleGAN pix2pix pix2pix提..
cyclegan、ptgan、stargan、数据不够gan来凑
luzhongshan的博客
06-11 1300
目录 1、普通gan 2、cyclegan 3、ptgan 4、stargan ptgan模型代码地址看着一篇： https://blog.youkuaiyun.com/aaa958099161/article/details/93993550 1、普通gan 2、cyclegan 两个生成模型，两个个判别器 注意： 两个生成模型，两个个判别器 两个判别器，其中一个判别器只...
基于CycleGAN的艺术风格迁移
04-22
我们使用了循环一致性生成对抗网络（ CycleConsistent Generative Adversarial Networks, CycleGAN）实现了将绘画中的艺术风格迁移到摄影照片中的效果。这种方法从图像数据集中学习整体风格，进行风格转换时只要将目标图片输入网络一次，不需要迭代的过程，因此速度较快。我们使用了一些自己制作的数据集训练了 CycleGAN 风格迁移模型，并分析了这种方法的优点和局限性。为了使风格转换后的图片保留原来的色彩分布，我们实现并分析对比了多种颜色匹配的方法。我们还利用了 Mask R-CNN 模型生成的掩膜图像来做图像运算而实现了局部风格转换和混合风格转换等效果。
深度学习_GAN学习(广度知识)_GAN各分支网络的学习总结及介绍(持续更新)
欢迎大家关注我
11-18 3895
生成对抗网络是目前深度学习领域中发展最快的一个分支之一，它可以用于图像编辑和着色、风格转换、物体变形、照片增强等多个领域。 二.根据特定条件或者特性来生成或者编辑图像的技术 1.CGAN(Condition GAN)主要用于图像生成 Conditional Generative Adversarial Nets 在条件GAN中，生成器并不是从一个未知的噪声分布开始学习，而是通过一个特定的条件或者某...
综述推荐 | CV视觉中GAN的调研和分类
idol24的博客
06-23 703
点击上方“机器学习与生成对抗网络”，关注"星标"获取有趣、好玩的前沿干货！戳我，查看GAN的系列专辑~！0 前言前几天，一位英特尔的小伙伴给公众号发了他们最近更新的GA...
从VAE到Diffusion生成模型详解(3)：普通GAN的改进及变种
orangerfun的博客
07-17 580
生成对抗网络详解
GAN网络讲解ppt
12-13
一些重要的GAN变种包括DCGAN（Deep Convolutional GAN）、CGAN（Conditional GAN）、Wasserstein GAN (WGAN)、LAPGAN（Laplacian Pyramid GAN）、BigGAN等。这些变种针对原始GAN在训练稳定性、模式塌陷等问题进行了...
CGAN算法实现与数字信号处理：C语言程序和滤波器源码
从基础理论到各种改进方法，如fGAN、LSGAN、WGAN、WGAN-GP、SNGAN、DCGAN、Improved DCGAN、SAGAN、BigGAN、GAN、RGAN、EBGAN、BEGAN等，都旨在解决GANs在训练稳定性、生成质量、泛化能力等方面的问题。此外，GANs还...
生成对抗网络（GAN）：从原理到实际应用
最新发布
海棠AI实验室
01-30 1695
随着研究的不断深化，GAN衍生出多种变体，如DCGAN、WGAN、CycleGAN、Pix2Pix、StyleGAN、BigGAN等，在各自领域都有突出的表现。尽管GAN在训练稳定性、模式崩溃、数据需求与合规性等方面仍面临挑战，但通过不断的算法优化和理论研究（如WGAN、StyleGAN、BigGAN、Diffusion-GAN融合等），其性能和应用广度都在快速提升。自基础的GAN提出以来，各类变体在网络结构、损失设计、训练策略上不断演进，为计算机视觉、医疗影像、内容创作与游戏等行业带来深远影响。
Python-ComboGAN的一个PyTorch实现
08-11
ComboGAN的一个PyTorch实现
EM距离详解：C语言实现数字信号滤波与GANs理论综述
- GANs的改进主要集中在基于divergence（如JSDivergence、LSGAN、WGAN和WGAN-GP）和网络结构（如DCGAN、ImprovedDCGAN、SAGAN、BigGAN等）两个方面。这些改进旨在解决GAN训练中的稳定性问题，如模式崩溃和不稳定...
人工智能大模型原理与应用实战：从CycleGAN到StyleGAN
AI天才研究院
12-19 434
1.背景介绍 人工智能（AI）已经成为当今最热门的技术领域之一，其中深度学习（Deep Learning）作为AI的核心技术，在图像生成、图像翻译、视觉识别等方面取得了显著的成果。在深度学习领域中，生成对抗网络（Generative Adversarial Networks，GANs）是一种非常有效的方法，它通过一个生成器和一个判别器来学习数据的分布，
生成对抗网络的进一步发展：从StyleGAN到BigGAN
KongDere的博客
11-15 235
具体而言，Big GAN使用了一种层级的生成器和判别器结构，通过逐渐增加网络的规模和深度，生成更高分辨率、更逼真的图像。Big GAN在生成高分辨率图像方面取得了显著的突破，生成的图像质量接近真实图像，具有更多的细节和多样性。未来，GAN在图像生成领域的发展前景广阔，可以通过改进现有模型、应用于更广泛的领域以及研究GAN的理论基础和应用方法来进一步推动其发展。本文将探讨GAN的进一步发展，重点介绍了Style GAN和Big GAN这两个具有代表性的模型，并展望了GAN在未来的发展方向。
CV低高等视觉及模型架构
JYliangliang的博客
03-30 3322
Low-Level-Vision 主要包括：超分辨率、图像恢复、去雨、去雾、去模糊、去噪、重建等方向 1.超分辨率（Super-Resolution） 2.图像去雨（Image Deraining） 3.图像去雾（Image Dehazing） 4.去模糊（Deblurring） 5.去噪（Denoising） 6.图像恢复（Image Restoration） 7.图像增强（Image Enhancement） 8.图像去摩尔纹（Image Demoireing） 9.图像阴影去除(I
【飞桨】【PaddlePaddle】【论文复现】StarGAN v2论文及其前置：GAN、CGAN、pix2pix、CycleGAN、pix2pixHD、StarGAN学习心得
sp7414的博客
08-05 1808
目录GANCGANpix2pixCycleGANpix2pixHDStarGAN PaddlePaddle: 百度顶会论文复现营. GAN GAN，即生成对抗网络，其网络结构主要包含一个生成器G和一个判别器D。首先，一个n维噪声输入到模型中，由生成器生成一个fake图像（根据目标而定），接着传入真实图像，resize成与fake图像相同大小，共同输入到判别器D中，送入训练网络中，训练趋势是使生成器生成越来越逼真，可以“以假乱真”的假图像，而判别器的精度也不断提升，最后，判别器D无法区分生成器G生辰的fak
生成性对抗网络（GAN） 和styleGan
AI生成式技术曾小健
05-19 716
生成性对抗网络（GAN）是机器学习中一个相对较新的概念，于2014年首次引入。他们的目标是合成与真实图像无法区分的人工样本，如图像。GAN应用程序的一个常见示例是通过从名人面孔数据集学习来生成人造人脸图像。随着时间的推移，GAN图像变得更加逼真，但其主要挑战之一是控制其输出，即改变人脸图像中的特定特征，如姿势、脸型和发型。NVIDIA的一篇新论文，一种基于样式的GAN的生成器体系结构（StyleGAN），提出了一种解决这一挑战的新模型。
浅谈 Style GAN
U R MINE
12-18 408
根据交叉点选取位置的不同，style组合的结果也不同。可以提高数据分布的整体密度，把分布稀疏的数据点都聚拢到一起，类似于PCA，做法很简单，首先找到数据中的一个平均点，然后计算其他所有点到这个平均点的距离，对每个距离按照统一标准进行压缩，这样就能将数据点都聚拢了，但是又不会改变点与点之间的距离关系。，它的作用是生成图像，创新之处在于给每一层子网络都喂了 A 和 B，A 是由 w 转换得到的仿射变换，用于控制生成图像的风格，B 是转换后的随机噪声，用于丰富生成图像的细节，即每个卷积层都能根据输入的A来调整。
【深度学习】图像风格混合——StyleGAN原理解析
sdksdf的博客
04-08 8373
上一篇，我们讲了PGGAN的模型原理，本章我们就来讲解一下StyleGAN，这个模型能够自由控制图像的风格，细节变化等等，生成用户想要的图像，甚至从某种程度上说，其可以实现AI换脸。PS：这篇文章其实我做了很多功课，本来不想写的。因为对于我这种水平的人来说，论文太难理解，不仅翻译过来语句不顺（本人英语不好，只能看机翻的版本），里面的原理部分也感觉相当抽象。本来想在网上搜一些文章来看一下，结果很多文章都是跟机器翻译直接复制过来的一样，完全不作解释，晦涩难懂。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值