GAN系列

最新推荐文章于 2023-06-12 13:28:51 发布
最新推荐文章于 2023-06-12 13:28:51 发布
阅读量235 收藏
点赞数
分类专栏： pytorch
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/Mo18312723429/article/details/118464303
版权
该博客系列深入介绍了生成对抗网络（GAN），从基础的人工神经网络、卷积神经网络和循环神经网络开始，逐步探讨了GAN的原理。文章通过实例展示了如何使用GAN生成MNIST手写体，以及利用DCGAN、CGAN、ACGAN、COGAN、LSGAN和CycleGAN等变种进行图像生成、风格转换和分辨率提升。还提供了相关论文的阅读笔记，帮助读者深化理解。
摘要由CSDN通过智能技术生成

【神经网络】综合篇——人工神经网络、卷积神经网络、循环神经网络、生成对抗网络

https://blog.csdn.net/qq_41204464/article/details/115797030?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162528180916780264087946%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=162528180916780264087946&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-2-115797030.first_rank_v2_pc_rank_v29_1&utm_term=%E5%BE%AA%E7%8E%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C&spm=1018.2226.3001.4187

一篇文章“简单”认识《生成对抗网络》(GAN)

https://guo-pu.blog.csdn.net/article/details/115611150

GAN生成MNIST手写体

https://blog.csdn.net/Mo18312723429/article/details/118464281?spm=1001.2014.3001.5501

论文阅读笔记1：https://blog.csdn.net/wspba/article/details/54582391?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162541389616780269871209%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=162541389616780269871209&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-1-54582391.first_rank_v2_pc_rank_v29_1&utm_term=Generative+Adversarial+Nets%E8%AE%BA%E6%96%87%E7%AC%94%E8%AE%B0&spm=1018.2226.3001.4187

论文阅读笔记2：https://blog.csdn.net/qq_38262728/article/details/89296478?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.base&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.base

DCGAN利用深度卷积神经网络实现图片生成

https://blog.csdn.net/Mo18312723429/article/details/118464622?spm=1001.2014.3001.5501

论文阅读笔记：https://blog.csdn.net/qq_38262728/article/details/88970948

CGAN给生成结果贴上标签

论文阅读笔记：https://blog.csdn.net/wspba/article/details/54666907?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162541036116780357246382%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=162541036116780357246382&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_v2~rank_v29-1-54666907.first_rank_v2_pc_rank_v29_1&utm_term=Conditional+Generative+Adversarial+Nets%E8%AE%BA%E6%96%87%E9%98%85%E8%AF%BB%E7%AC%94%E8%AE%B0&spm=1018.2226.3001.4187

ACGAN利用卷积给生成结果贴上标签

COGAN耦合生成式对抗网络

LSGAN最小二乘GAN

ClycleGAN 实现图像风格转换

SRGAN 实现图像的分辨率提升

Mortimer___
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
生成对抗网络GAN系列（一）--- Generative Adversarial Nets（原始GAN）--- 文末附代码
朝花&夕拾
09-04 3568
GAN网络系列之（一） --- Generative Adversarial Nets ---文末附代码 论文链接：https://arxiv.org/abs/1406.2661， 1.简述 作者提出了一个通过对抗过程估计生成模型的新框架，在新框架中同时训练两个模型：一个用来捕获数据分布的生成模型G，和一个用来估计样本来自训练数据而不是G的概率的判别模型D，G的训练过程是最大化D产生...
GAN
qq_29232743的博客
09-03 1285
利用pytorch框架实现基于MNIST数据集的GAN
GAN系列的总结
jie的博客
06-17 2031
GAN系列的总结SHAZI1.GAN SHAZI1.GAN GAN 相比于其他生成式模型，有两大特点： 不依赖任何先验假设。传统的许多方法会假设数据服从某一分布，然后使用极大似然去估计数据分布。 生成 real-like 样本的方式非常简单。GAN 生成 real-like 样本的方式通过生成器（Generator）的前向传播，而传统方法的采样方式非常复杂 ...
GAN系列之（一）------GAN---Generative Adversarial Networks
sinat_42239797的博客
03-11 350
论文：Generative Adversarial Networks https://arxiv.org/abs/1406.2661 1.GAN的思想 G网络相当于一个学生不断的进行学习，D网络相当于一个老师不断地对学生进行打分和指导，如此一个不断学习不断评估的过程。 如上图所示， 第一次：G学习画动漫人物图像，第一次学习只学到一些简单地轮廓 V1，这个时候D对G的学习进行评估打分，并告诉G动...
GAN系列学习笔记
weixin_41093566的博客
03-13 375
GAN（生成对抗网络）学习笔记（一）：原理及损失函数的理解 1. GAN的核心思想 GAN的核心思想在于博弈，GAN由两部分模型构成，一个是生成模型（G），一个是判别模型（D）。生成模型用于生成一个逼真的样本，判别模型用于判断模型输入的样本是真是假。生成模型要不断提升自己的造假本领，最终达到骗过判别模型的目的；判别模型要不断提升自己的判别能力，达到辨别真假样本的目的，这就形成了博弈/对抗。 对...
GAN系列之 pix2pixGAN 网络原理介绍以及论文解读
l love CV
04-07 1万+
pix2pix GAN主要用于图像之间的转换，又称图像翻译。图像处理的很多问题都是将一张输入的图片转变为一张对应的输出图片，端到端的训练。 如果要根据每个问题设定一个特定的loss function 来让CNN去优化，通常都是训练CNN去缩小输入跟输出的欧氏距离，但这样通常会得到比较模糊的输出。
GAN系列：李宏毅老师GAN课程P2+P3——Conditional GAN
lynlindasy的博客
02-23 2744
看这个课程的时候，有弹幕说P1后直接看P4，然后再看P2和P3，这个顺序确实更好一点。这部分主题是条件GAN(Conditional GAN)，所谓的条件就是我们对要生成的图片的要求和限制。之前生成器的输入是一个随机噪声向量，生成器根据向量产生任意的图像。在实际应用中，产生的图像一般是有特定限制的，比如要产生火车的图像，人脸的图像等。因此Conditional GAN更有实用价值。Conditio...
生成对抗网络GAN系列（六）--- CycleGAN---文末附代码
热门推荐
朝花&夕拾
09-16 1万+
Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks ---文末附代码 Jun-Yan Zhu      Taesung Park          Phillip Isola             Alexei A. Efros Berkeley AI Research (BAI...
GAN系列：论文阅读——Analyzing and Improving the Image Quality of StyleGAN（StyleGAN改进）
lynlindasy的博客
02-26 3374
2019.12的对styleGA进一步改善的论文，还是NVIDIA的。这篇论文主要从结构设计和训练方式上进行了改变，从而消除styleGAN中出现的artifacts。本文针对的artifacts主要两类：1）成水滴状的/blob-like artifacts：主要与结构设计有关，因此本文更改了normalize；2）与progressive growing的训练方法相关，因此本文更改了训练方式。...
GAN系列学习之 GAN
海里的果
04-09 298
今天准备开一个新坑，回顾一下GAN系列的相关论文。GAN在AI领域，代表一个技术路线，或者一个门派，了解它是非常有必要的。当然在线AI领域一片欣欣向荣，图像生成领域也涌现了stable diffusion 这个新分支，在这个领域有压倒GAN的势头。GAN作为14年提出的模型，也是有很长的研究历史了。
GAN系列基础知识
taoqick的专栏
02-13 575
原始GAN的值函数是minG​maxD​VDGEx∼pdata​x​logDx)]Ez∼pz​z​log1−DGz)))]其中Ex∼pdata​x​表示从真实样本采样，Ez∼pz​z​表示从噪声样本中采样进一步将V(D,G)写成积分格式就是VGD∫x​pdata​xlogDx))dx∫z​pz​zlog1−D。
GAN系列之（二）------CycleGAN
sinat_42239797的博客
03-11 624
论文：Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks https://arxiv.org/abs/1703.10593 代码：https://github.com/MJJ-5650/PyTorch-GAN/tree/master/implementations/cyclegan 1....
GAN的系列经典模型讲解
ch18328071580的博客
07-21 9737
文章目录概述一、CGAN1、基本思想2、模型简介3、 应用二、DCGAN1、基本思想2、模型简介三、WGAN1、模型解析2、模型优点四、LSGAN1、基本思想2、模型解析 概述 自从Goodfellow2014年提出这个想法之后，生成对抗网络（GAN）就成了深度学习领域内最火的一个概念，包括LeCun在内的许多学者都认为，GAN的出现将会大大推进AI向无监督学习发展的进程。 于是，研究GAN就...
【教程搬运】最好的GAN系列教程在这里。
Michael_Cretu_的博客
03-01 2592
GAN系列
GAN系列论文选读
NanHNU的博客
02-10 522
1.cGAN(Conditional Generative Adversarial Nets):cGAN通过加约束来使得GAN可以生成具体服从某一分布的样本，如mnist中生成某一类数值的图片，原理如下：2.SeGAN:核心内容：通过输入被部分遮挡的mask以及原图，来生成未被遮挡的物体。具体如下图：左侧沙发被盆栽挡住部分结构，输入原图以及被遮挡沙发的ground truth，最终生成一个完整的彩...
生成对抗网络CycleGAN
m0_56247038的博客
04-27 6327
利用非成对数据实现对图像源域到目标域的迁移！！！
草履虫Cyclegan从零到一复现：介绍、配置、测试、自定义训练（大一作业）
最新发布
qianqianlwg的博客
06-12 1万+
CycleGAN是一种深度学习模型，用于图像转换任务。它可以将一组图像从一个领域转换到另一个领域，而需成对的训练数据。例如，将马的图像转换为斑马的图像，或将夏季景色的图像转换为冬季景色的图像。CycleGAN使用对抗性损失函数和循环一致性损失函数来训练模型，以生成高质量的转换图像。在许多应用中都有用，例如风格迁移、图像翻译和图像增强。本文根据官方文档的anaconda方式实现WindowsPython 3CPU 或 NVIDIA GPU + CUDA CuDNNWindows11。
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