最全汇总GAN网络及其各种变体（附论文及代码实现）

最新推荐文章于 2025-07-01 12:47:16 发布
置顶 最新推荐文章于 2025-07-01 12:47:16 发布
阅读量1.8w 收藏 306
点赞数 92
CC 4.0 BY-SA版权
分类专栏： 人工智能 文章标签： GAN 神经网络 人工智能 python
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.csdn.net/weixin_44333889/article/details/123926958
本文由车神哥分享，详述了GAN（生成对抗网络）及其多种变体，包括ACGAN、BiGAN、CycleGAN等，每个模型都附带论文引用和代码实现。通过阅读论文和实践代码，有助于深入理解这些模型的原理。文章适合人工智能和深度学习领域的研究者与开发者阅读。

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

💖作者简介：大家好，我是车神哥，府学路18号的车神🥇
⚡About—>车神：从寝室到实验室最快3分钟，最慢3分半（那半分钟其实是等红绿灯）
📝个人主页：车手只需要车和手，压力来自论文_府学路18号车神_CSDN博客
🥇 官方认证：人工智能领域优质创作者
🎉点赞➕评论➕收藏 == 养成习惯（一键三连）😋

⚡希望大家多多支持🤗~一起加油 😁

最近小论文难产啊，各种网络、各种公式推导、各种复杂结构，各种…还是多读读论文，总有好处的~

下面主要总结了GAN网络及其各种变体模型，并附录上模型的论文出处及代码，结合最原始的论文和代码实现，可以加深对模型原理的理解。（文章主要内容来源于网络）

GAN汇总

前言

下面给出一个整理出来的总体大纲思维导图，下面再分别给出具体内容。文献和代码可直接跳转下载哦~
在这里插入图片描述

GAN（经典）

实现最原始的，基于多层感知器构成的生成器和判别器，组成的生成对抗网络模型（Generative Adversarial）。

在这里插入图片描述

参考论文：《Generative Adversarial Networks》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/gan/gan.py

Auxiliary Classifier GAN

实现辅助分类-生成对抗网络（Auxiliary Classifier Generative Adversarial Network）。

在这里插入图片描述

参考论文：《Conditional Image Synthesis With Auxiliary Classifier GANs》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/acgan/acgan.py

BiGAN

实现双向生成对抗网络（Bidirectional Generative Adversarial Network）。
在这里插入图片描述

参考论文：《Adversarial Feature Learning》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/bigan/bigan.py

BGAN

实现边界搜索生成对抗网络（Boundary-Seeking Generative Adversarial Networks）。
在这里插入图片描述

参考论文：《Boundary-Seeking Generative Adversarial Networks》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/bgan/bgan.py

CC-GAN

实现基于上下文的半监督生成对抗网络（Semi-Supervised Learning with Context-Conditional Generative Adversarial Networks）。
在这里插入图片描述

参考论文：《Semi-Supervised Learning with Context-Conditional Generative Adversarial Networks》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/ccgan/ccgan.py

CoGAN

实现耦合生成对抗网络（Coupled generative adversarial networks）。

在这里插入图片描述

参考论文：《Coupled Generative Adversarial Networks》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/cogan/cogan.py

CycleGAN

实现基于循环一致性对抗网络（Cycle-Consistent Adversarial Networks）的不成对的Image-to-Image 翻译。
在这里插入图片描述

参考论文：《Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/cyclegan/cyclegan.py

DCGAN

实现深度卷积生成对抗网络（Deep Convolutional Generative Adversarial Network）。
在这里插入图片描述

参考论文：《Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/dcgan/dcgan.py

DualGAN

实现对偶生成对抗网络（DualGAN),基于无监督的对偶学习进行Image-to-Image翻译。
在这里插入图片描述
参考论文：《DualGAN: Unsupervised Dual Learning for Image-to-Image Translation》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/dualgan/dualgan.py

InfoGAN

实现的信息最大化的生成对抗网络（InfoGAN），基于信息最大化生成对抗网络的可解释表示学习。
在这里插入图片描述

参考论文：《InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/infogan/infogan.py

LSGAN

实现最小均方误差的生成对抗网络（Least Squares Generative Adversarial Networks）。
在这里插入图片描述

参考论文：《Least Squares Generative Adversarial Networks》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/lsgan/lsgan.py

SGAN

实现半监督生成对抗网络（Semi-Supervised Generative Adversarial Network）。
在这里插入图片描述

参考论文：《Semi-Supervised Learning with Generative Adversarial Networks》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/sgan/sgan.py

WGAN

实现 Wasserstein GAN。
在这里插入图片描述

参考论文：《Wasserstein GAN》

代码地址：https://github.com/eriklindernoren/Keras-GAN/blob/master/wgan/wgan.py

Reference

  • https://zhuanlan.zhihu.com/p/34016536

愿Paper一审即接收！God bless~

❤坚持读Paper，坚持做笔记，坚持学习，坚持刷力扣LeetCode❤！！！
坚持刷题！！！
⚡To Be No.1

⚡⚡哈哈哈哈

⚡创作不易⚡，过路能❤关注、收藏、点个赞❤三连就最好不过了

ღ( ´･ᴗ･` )

❤

3D 对象生成 | NeRF+GAN的超网络：HyperNeRFGAN
3D视觉工坊
06-14 1154
本文作者：3D视觉工坊@HT | 来源：3D视觉工坊论文题目：《HyperNeRFGAN: Hypernetwork approach to 3D NeRF GAN》作者机构：Jagiellonian University (雅盖隆大学)，波兰论文链接：https://arxiv.org/pdf/2301.11631.pdf项目主页：https://github.com/gmum/HyperNeR...
深度学习笔记——生成对抗网络GAN
haopinglianlian的博客
11-29 2758
本文详细介绍早期生成式AI的代表性模型：生成对抗网络GAN。
万字长文解读深度学习——生成对抗网络GAN
分享包括但不限于计算机基础知识、数据结构与算法、Golang技术栈。年与时驰，意与日去，遂成枯落，多不接世，悲守穷庐，将复何及！
11-10 2596
面试资料收集者之万字长文解读【深度学习面试——生成对抗网络GAN】
深入浅出了解生成模型-1：GAN模型原理以及代码实战
最新发布
weixin_40922665的博客
07-01 16
更加好排版：https://www.big-yellow-j.top/posts/2025/05/08/GAN.html日常使用比较多的生成模型比如GPT/Qwen等这些大多都是“文生文”模型（当然GPT有自己的大一统模型可以“文生图”）但是网上流行很多AI生成图像，而这些生成图像模型大多都离不开下面三种模型：1、GAN；2、VAE；3、Diffusion Model。因此本文主要介绍这三个基础模型作为生成模型的入门，本文主要介绍GAN模型。在GAN里面一个比较核心的概念就是：通过生成模型G去捕获数据分布，
历史最全GAN网络及其各种变体整理（附论文及代码实现）
机器学习专栏
07-02 9704
原创： lqfarmer 深度学习与NLP 2018-02-26 文章主要整理了GAN网络及其各种变体模型，并给出了模型的论文出处及代码实现，结合最原始的论文和代码实现，可以加深对模型原理的理解。 目录 GAN Auxiliary Classifier GAN Bidirectional GAN B...
GAN模型中的常见变体有哪些，如DCGAN、WGAN和CGAN等？
huidhsu的博客
07-12 1882
生成对抗网络（GAN）是一种强大的深度学习模型，它由生成器和判别器两个网络组成，通过对抗训练的方式实现生成数据的能力。随着研究的发展，出现了许多GAN的变体，每个变体都有其独特的改进和特点。
生成对抗网络（GAN）及其变体（DCGAN）
qq_50267787的博客
11-11 3324
生成对抗网络（GAN）及其变体（DCGAN）
GAN网络
qq_54991537的博客
12-08 2593
Generator的优点：它很容易做生成，目前存在的问题是，他只是不断模仿某一个目标，但是他只模仿了目标的表象。它的component是一个一个生成的，他不能关注到大局观。Discriminator优点：它能够很好地考虑到大局观念，能够考虑到大局。缺点：生成图片非常困难，要生成一个图片非常难。把Generator和discriminator组合起来可以达到很好的效果。
深度补全 论文及代码汇总，持续更新中~~
不忘初心~
03-14 2915
depth completion
【图像超分】论文复现：新手入门必备！Pytorch实现SRGAN！手把手详细教程！代码注释详尽！可用于训练自己的数据集！实时验证模型性能！绘制PSNR曲线图！附训练好的各放大倍数的模型权重文件！
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】
04-15 6039
【图像超分】论文精读：SRResNet/SRGAN【图像超分】论文复现：万字长文！Pytorch实现SRResNet代码修改无报错！踩坑全记录！适合各种深度学习新手！帮助你少走弯路！附修改后的代码和PSNR最优的模型权重文件！请配合上述论文精读文章使用，效果更佳！与原论文描述不一样的实现部分，也即可以修改的部分数据集使用：论文中是ImageNet随机选35000张图像，本文是VOC2012数据集16700张图像。数据集预处理：裁剪大小不同，论文是96×96，本文是88×88。
GAN对抗神经网络 各种常用变体
04-12
资源内容为GAN对抗神经网络的各种常用变体。 具体内容包括： 1.GAN(经典) 2.半监督生成对抗网络(SGAN) 3.边界搜索生成对抗网络(BGAN) 4.对偶生成对抗网络（DualGAN) 5.辅助分类-生成对抗网络（Auxiliary Classifier GAN） 6.基于上下文的半监督生成对抗网络(CC-GAN) 7.耦合生成对抗网络(CoGAN) 8.深度卷积生成对抗网络(DCGAN) 9.双向生成对抗网络(BiGAN) 10.信息最大化的生成对抗网络（InfoGAN） 11.最小均方误差的生成对抗网络(LSGAN) 12.Wasserstein GAN
GAN网络的tensorflow实现
07-13
GAN的tensorflow简单实现，在MNIST和SVHN数据集的生成样本，适合GAN的入门，代码解释也非常详细，希望对大家有所帮助。
【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
热门推荐
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。
实现一个简单的GAN网络
明·煜的博客
12-08 275
一个简单GAN网络的实现方法，具体任务目标可以参考代码中的链接。随着这一过程的发展，警察开发了越来越复杂的技术来检测货币伪造，而犯罪分子则开发越来越复杂的技术来伪造货币。网络的核心在于实现了一个二分类问题，并输出输入数据实际来自真实数据集（而不是合成或虚假数据）的概率。生成对抗网络利用对抗过程来训练两个相互竞争的神经网络，直到达到理想的平衡。在不断迭代的过程会使得生成器和鉴别器不断升级。以伪造货币的过程为理论例子，想象两种类型的特工。鉴别器：尽可能鉴别真实图像和虚假图像。生成器：尽可能生成真实的图像。
我学习过的GAN网络汇总
IceFlame的博客
04-30 484
FSMR： Feature Statistics Mixing Regularization for Generative Adversarial Networks 作者提出两个问题，（1）、生成对抗网络中的判别器是否对图片的风格内容敏感；（2）、如果判别器对图片的风格内容敏感，降低判别器对图片的风格内容敏感度是否会提升模型的性能。 作者设计了一个相对距离来量化判别器对图片的风格内容敏感的程度。并且做了相关实验。 作者通过在判别器的中间层上，在同一batch上随机抽取两张图片互相作为风格和内容图片，进行风
GAN网络的代码实现（学习ing）
小嘟的博客
03-08 757
在学习某个网络的时候，一味的看概念越看越不理解，此时我们可以找一份源代码，试着写一遍，也许就会明白了。
GAN 网络六年总结
skyfengye的博客
12-10 644
今天看到很好的一篇论文，总结了整个GAN六年的发展，主要以计算视觉为主。论文题目是The Six Fronts of the Generative Adversarial Networks。大家可以参考一下。如果大家是搞医学图像的，还可以参考这篇文章：GANs for Medical Image Analysis 也是一个总结。可以让大家有一个综合的概念。 ...
GAN网络理解与实现
yph001的博客
12-29 2086
一、GAN网络的基本理解 GAN(Generative Adversarial Net)又称之为生成对抗网络，最少是由被称作“GANs 之父”的”Lan GoodFellow在 2014年开创性地提出. 正如诸多介绍中表述的，GAN的思想是一种二人联合博弈的思想，博弈双方的利益之和是一个常数，通过博弈分到个人的利益可能你多我少或者你少我多，但总的利益是固定不变的。 GAN中存在的两个博弈者，一...
ubuntu终端设置
01-28
### 配置和自定义Ubuntu终端设置 #### 设置终端窗口大小和字体大小 对于希望调整Ubuntu终端窗口大小以及改变终端内使用的字体尺寸的用户来说，可以在系统的图形界面中通过特定选项实现这一需求[^2]。进入终端后，在编辑菜单下找到首选项，这里可以更改字体样式、大小以及其他显示属性。 #### 默认打开即最大化的终端 为了使每次启动的`gnome-terminal`都处于最大化状态，可修改其`.desktop`文件，在原有启动命令的基础上追加`--maximize`参数。此改动使得新开启的所有实例都会自动扩展至全屏模式。 ```bash # 找到并编辑 gnome-terminal 的 .desktop 文件路径通常位于 /usr/share/applications/ sudo nano /usr/share/applications/gnome-terminal.desktop ``` 在该文件内的`Exec=`行后面加上`--maximize`即可保存退出重启应用生效。 #### 自定义终端窗口位置 如果想要让终端总是在屏幕上的某个固定地点弹出，则需先利用工具获取目标区域的信息。这可通过执行如下指令完成： ```bash xwininfo ``` 运行上述命令之后点击任意已存在的窗口就能得到关于它的几何数据；依据这些数值再配合快捷方式设定来达到目的。创建一个新的键盘快捷键关联至下面这样的脚本将会很有帮助[^3]: ```bash #!/bin/bash geometry="WIDTHxHEIGHT+XOFFSET+YOFFSET" gnome-terminal --geometry=$geometry & ``` 请替换掉模板里的宽度高度还有偏移量部分为实际测量所得的具体数字。 #### 更改终端颜色方案 针对偏好不同色彩搭配的人群而言，Ubuntu允许简单几步就切换成黑白对比度高的配色——白色背景配上黑色文字。前往终端偏好设置里寻找外观标签页下的调色板选项卡，从中挑选预设主题或是手动输入RGB值来自定义前景色与背景色组合[^4]。 此外还可以进一步个性化命令行提示符的样子，比如加入当前登录用户的名称或者是机器的名字等元素，增强辨识度的同时也增加了趣味性。
评论 45
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

打赏作者

府学路18号车神

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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