GAN论文引用与研读

最新推荐文章于 2024-07-14 17:15:00 发布
原创 最新推荐文章于 2024-07-14 17:15:00 发布 · 1.4k 阅读 · 5 ·
CC 4.0 BY-SA版权
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。

18 种热门 GAN 的 PyTorch 开源代码 | 附论文地址

http://www.myzaker.com/article/5adefd265d8b54261b3a6085

 

原始GAN（基本概念及理论推导）

https://blog.youkuaiyun.com/xys430381_1/article/details/82189521

GAN论文研读(一)-----GAN与cGAN

https://blog.youkuaiyun.com/openSUSE1995/article/details/79233101

针对原始GAN不能生成具有特定属性的图片的问题，Mehdi Mirza等人[2]提出了cGAN，其核心在于将属性信息yy融入生成器GG和判别器DD中，属性yy可以是任何标签信息，例如图像的类别、人脸图像的面部表情等。在此大方向的指导下，下图给出了cGAN的网络拓扑结构。

简单理解与实验生成对抗网络GAN

https://blog.youkuaiyun.com/on2way/article/details/72773771（数学公式的解释非常容易理解）

生成对抗网络(GAN)的理论与应用完整入门介绍

https://blog.youkuaiyun.com/blood0604/article/details/73635586（GAN简单的示意图）

生成对抗网络综述：从架构到训练技巧，看这篇论文就够了

https://www.jiqizhixin.com/articles/2017-10-22-4

机器之心GitHub项目：GAN完整理论推导与实现，Perfect！

https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650731540&idx=1&sn=193457603fe11b89f3d298ac1799b9fd&chksm=871b306ab06cb97c502af9552657b8e73f1f5286bc4cc71b021f64604fd53dae3f026bc9ac69&scene=0#rd

李宏毅深度学习(六):Generative Adversarial Network (GAN)

https://www.jianshu.com/p/40feb1aa642a

 

DCGAN、WGAN、WGAN-GP、LSGAN、BEGAN原理总结及对比

https://blog.youkuaiyun.com/qq_25737169/article/details/78857788

资源 | 生成对抗网络及其变体的论文汇总

https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650725730&idx=4&sn=7228767c7688ad8e3802a3978141d499&chksm=871b191cb06c900ae5694a9f102151f483633c09c4892b384abee6055893e3ad35be9d73a31a&scene=21#wechat_redirect

综述 | 一文帮你发现各种出色的GAN变体

https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650724769&idx=2&sn=6fa540106cf6a5fd55fc39d057092888&chksm=871b1ddfb06c94c9e11d3a8281f60c0fce06a4e021fcd8eaab858c7f08ab9c939c4ad130e4b2&scene=21#wechat_redirect

 

谱归一化（Spectral Normalization）的理解

https://blog.youkuaiyun.com/StreamRock/article/details/83590347

（WGan首先提出Discriminator的参数矩阵需要满足Lipschitz约束，但其方法比较简单粗暴：直接对参数矩阵中元素进行限制，不让其大于某个值。这种方法，是可以保证Lipschitz约束的，但在削顶的同时，也破坏了整个参数矩阵的结构——各参数之间的比例关系。针对这个问题，【1】提出了一个既满足Lipschitz条件，又不用破坏矩阵结构的方法——Spectral Normalization。
只需让每层网络的网络参数除以该层参数矩阵的谱范数即可满足Lipschitz=1的约束，由此诞生了谱归一化（Spectral Normailization）为获得每层参数矩阵的谱范数，需要求解 W 的奇异值，这将耗费大量的计算资源，因而可采用“幂迭代法”来近似求取）

谱范数正则（Spectral Norm Regularization）的理解

https://blog.youkuaiyun.com/StreamRock/article/details/83539937

《Spectral Normalization for Generative Adversarial Networks》【1】、《Spectral Norm Regularization》【2】两篇文章从不同的角度讨论了：参数矩阵的谱范数对多层神经网络的泛化的影响，并分别给出了两个不同的应对方法：前者对Discriminator矩阵参数进行归一化处理（SNGAN采用的该方法），后者可以加入任意多层网络（在更新梯度时加入了谱范数正则项）。

 

重磅突破：从36.8到52.52，引入自我注意力模块的SAGAN

https://www.jqr.com/article/000240

SAGAN——Self-Attention Generative Adversarial Networks

https://blog.youkuaiyun.com/HaoTheAnswer/article/details/82733234

 

 

 

Paper之BigGAN：ICLR 2019最新论文《LARGE SCALE GAN TRAINING FOR HIGH FIDELITY NATURAL IMAGE SYNTHESIS》论文研究中

https://blog.youkuaiyun.com/qq_41185868/article/details/82908363

[论文笔记] LARGE SCALE GAN TRAINING FOR HIGH FIDELITY NATURAL IMAGE SYNTHESIS

https://blog.youkuaiyun.com/qq_26020233/article/details/83004755

深度解读DeepMind新作：史上最强GAN图像生成器—BigGAN

https://blog.youkuaiyun.com/c9Yv2cf9I06K2A9E/article/details/83026880

作者自揭BigGAN：这不是算法进步，是算力进步

http://www.chainske.com/a/show.php?itemid=5028

 

 

【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
03-25 2万+
本专栏研究领域为【超分辨率重建】，涵盖图像超分、视频超分，实时超分，4K修复等方面。主要内容包括主流算法模型的论文精读、论文复现、毕业设计、涨点手段、调参技巧、论文写作、应用落地等方面。算法模型从SRCNN开始更新至今，一般是一篇论文精读对应一篇论文复现。论文精读详解理论，归化繁为简，归纳核心，积累词句，培养阅读论文和论文写作能力。论文复现依托Pytorch代码，实现完整的模型训练流程，总结调参方法，记录碰到的bug，论文插图可视化，培养读写代码能力、做实验的能力、以及应用落地能力。
BigGAN
jacke121的专栏
05-30 2486
BigGAN https://github.com/ajbrock/BigGAN-PyTorch https://github.com/huggingface/pytorch-pretrained-BigGAN https://github.com/sxhxliang/BigGAN-pytorch
GAN相关引用/被引用的文章
m0_37442062的博客
09-03 820
DDAlex 2019-03-05 14:37 原文链接：https://msd.misuland.com/pd/2884250137616454120 原论文：Generating Adversarial Malware Examples for Black-Box Attacks Based on GAN 引用论文： 2001 Data Mining Methods ...
GAN 论文大汇总
CoderPai的博客
04-24 1万+
关于生成对抗网络（GAN）的新论文每周都会出现很多，跟踪发现他们非常难，更不用说去辨别那些研究人员对 GAN 各种奇奇怪怪，令人难以置信的创造性的命名！当然，你可以通过阅读 OpanAI 的博客或者 KDNuggets 中的概述性阅读教程，了解更多的有关 GAN 的信息。在这里汇总了一个现在和经常使用的GAN论文，所有文章都链接到了 Arxiv 上面。 GAN — Generative Advers
Generative Adversarial Net 生成对抗模型
huxcai的专栏
09-01 2547
资料搜集 论文＋代码：1.纹理合成 Markovian Generative Adversarial Networks (MGANs) for training generative neural networks for efficient texture synthesis 简介：Precomputed Real-Time Texture Synthesis with Markovian Ge
GAN论文阅读（一）
qq_41693168的博客
10-06 890
GAN论文阅读（一）题目摘要引言材料与方法材料方法实验评价指标数据增强结果*YOLOV3-dense*模型的性能小结（附论文中参考文献） 题目 Detection of Apple Lesions in Orchards Based on Deep Learning Methods of CycleGAN and YOLOV3-Dense 原文链接下载 摘要 提出了一种基于深度学习的炭疽病检测方法。首先，针对苹果病害的随机发生导致图像数据不足的问题，在传统图像增强技术的基础上，采用CycleGAN深度学
GAN系列文献笔记
pandamax的博客
01-16 3621
                                                                                                             GAN(生成对抗网络)    参考文献：[1] Goodfellow Ian, Pouget-Abadie J, Mirza M, et al. Generative advers...
【论文研读】GAN 逆映射 综述 GAN Inversion: A Survey 关键部分翻译 研读思考
smiekickass的博客
03-04 1万+
本文未完成，感兴趣请收藏 计算机视觉综述：GAN 论文集 GAN Inversion: A Survey 关键部分翻译 研读思考
论文阅读：《Time Series Generative Adversrial Networks》（TimeGAN，时间序列GAN)
Weberyoung的博客
05-11 1万+
这篇时间序列GAN的论文下载了好久了，但是由于过于复杂，没怎么仔细研读。最近为了进行和自己的GAN对比，找到了他的codebase 准备再仔细读一下，跑一下代码。 《Time Series Generative Adversrial Networks》 作者： JinsungYoon University of California, Los Angeles, USA jsyoon0823@g.ucla.edu DanielJarrett University of Cambridge, UK daniel
必读论文 | 生成对抗网络经典论文推荐10篇
Arnetminer的博客
06-08 3567
生成式对抗网络（Generative adversarial networks, GAN）是当前人工智能学界最为重要的研究热点之一。其突出的生成能力不仅可用于生成各类图像和自然语言数据，还启发和推动了各类半监督学习和无监督学习任务的发展。 生成对抗网络是一种包含无监督学习的模型，通过(无监督地)向有标签样本学习其数据分布来生成类似的样本，这种过程更类似于人类学习外界知识时候采用的无监督方式。生成对抗网络可以改善一般网络模型过于依赖数据数量及标签的缺点，是近几年内最有可能提升人工智能系统性能的网络结构之.
如何读论文（李沐）
竦貊的博客
06-01 2581
看题目， 摘要，直接看结论 要知道文章，大概讲什么，，方法怎么样决定要不要继续读可以从头到尾读， 作者提出的方法，和别人的方法差别有多大，，流程图，，x轴，y轴读它引用的文献知道每一句话在干什么，，，重复，实现这一片文章，脑补文章 我会怎么办？能不能走下去？..............................
（CGAN）Conditional Generative Adversarial Nets
08-27
条件生成对抗网络（CGAN）， tensorflow实现
GAN网络（论文阅读）：Generative Adversarial Nets
最新发布
m0_54248968的博客
07-14 1952
当判别器效果比较好时，D(G(z))值为0，则log(1-D(G(z)))值为0，当判别器效果不好，会输出一个大于0 的数，则log(1-D(G(z)))值就为一个负数，在极端情况下，会得到负无穷大，此时判别失误。在价值函数的第二项中存在问题，在早期G比较弱的时，生成的数据和真实数据相差很大，D就容易训练的比较好，很容易区分，就会导致log(1-D(G(z)))变成0 ，这样很难求梯度来优化G，所以更新G时，将优化函数改为log(D(G(z)))。最终使G赢，即G生成的数据D判别不出来。
值得精读的GAN论文推荐
Double_V的博客
12-06 4893
前言 本文主要推荐一些生成对抗网络（GAN，generative adversarial networks）相关的值得精读的论文，主要涉及GAN的优化，图像翻译，视频预测三个领域，可以作为GAN的学习顺序进行阅读。 GAN的优化 想要使用GAN完成期望的学习任务，精致的网络设计和合适的目标函数必不可少，二者是实现较高performance的关键因素。 在损失函数的优化论文方面，效果比较突出且使用较...
GAN原始论文-代码详解与项目数据定时同步实现
weixin_44790306的博客
04-24 2666
文章目录摘要一. GAN原始论文原理导读与pytorch代码实现1.1 GAN的简单介绍1.2 生成对抗网络GAN的定义1.3 GAN的算法流程 摘要 一. GAN原始论文原理导读与pytorch代码实现 GAN原始论文：原始论文下载地址 1.1 GAN的简单介绍 首先我们用一句话来概括下原始GAN。原始GAN由两个有机中整体构成——生成器 GGG 和判别器 DDD ，生成器的目的就是将随机输入的高斯噪声映射成图像（“假图”），判别器则是判断输入图像是否来自生成器的概率，即判断输入图像是否为假图的概率。 G
Wasserstein GAN有这么神！吗？
机器学习
05-29 840
Wasserstein GAN 在GAN的相关研究如火如荼甚至可以说是泛滥的今天，一篇新鲜出炉的arXiv论文《Wasserstein GAN》却在Reddit的Machine Learning频道火了，连Goodfellow都在帖子里和大家热烈讨论，这篇论文究竟有什么了不得的地方呢？ 要知道自从2014年Ian Goodfellow提出以来，GAN就存在着训练困难、生成器和判别器的loss无法指...
生成对抗网络GAN
一亿少女的梦
10-31 760
1 生成对抗网络原理 GAN 的核心思想源于博弈论的纳什均衡。 设定参与游戏的双方分别为一个生成器(Generator)和一个判别器(Discriminator), 生成器捕捉真实数据样本的潜在分布, 并生成新的数据样本; 判别器是一个二分类器, 判别输入是真实数据还是生成的样本。 为了取得游戏胜利, 这两个游戏参与者需要不断优化, 各自提高自己的生成能力和判别能力, 这个学习优化过程就是寻找二者之间的一个纳什均衡。 最原始的GAN目的是想通过输入一个噪声（向量），模拟得到一个人脸图像，这个图像可以非常逼真
生成对抗网络（GAN）论文原文详解
热门推荐
coder_kang的博客
12-13 1万+
最近在学习生成对抗网络的相关知识，首先接触到的当然是Ian Goodfellow的原始论文，文章中作者很简要的阐明了GAN的基本算法，同时也给出该算法可行的理论证明。该模型通俗点说可以利用已有的数据对模型进行训练，训练完成后，该网络能够自动的生成与原始数据相似的数据。举例来说，我给网络投喂一些 ...
TensorFlow实现CycleGan源码解析与论文精读
CycleGan的论文详细介绍了其架构和训练过程，其中采用了生成对抗网络（GAN）的思想。生成对抗网络由两部分组成：生成器（Generator）和判别器（Discriminator）。生成器的目标是生成尽可能接近真实数据的假数据，而...
评论
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