GAN：GAN论文学习

已于 2024-08-22 11:51:19 修改
阅读量292 收藏
点赞数
分类专栏： LLM & AIGC & VLP 文章标签： 生成对抗网络 人工智能 AIGC
于 2023-11-28 09:50:09 首次发布
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/lilai619/article/details/134659648
版权
本文介绍了2014年提出的生成对抗网络(GAN)的基本概念，包括生成器和判别器的作用。对比了GAN与CNN的训练机制，强调GAN是动态博弈过程。还对GAN的公式进行了通俗解释，展示了生成器生成假图并试图欺骗判别器的机制。
摘要由CSDN通过智能技术生成

 论文：https://arxiv.org/pdf/1406.2661.pdf

发表：2014 

一、GAN简介：Generative Adversarial Network
GAN是由Ian Goodfellow于2014年提出，GAN：全名叫做生成对抗网络。GAN的目的就是无中生有，以假乱真。

GAN由两部分构成：生成器G + 判别器D

生成器：将随机输入的高斯噪声映射成图像（“假图”），

判别器：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。

了解本专栏 订阅专栏 解锁全文 超级会员免费看
微风❤水墨
关注
专栏目录
订阅专栏
论文阅读笔记：Social GAN
m0_37836825的博客
05-31 996
第一篇文章是《 Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks 》
VAEGAN:Keras的论文“使用学习的相似性度量自动编码超出像素”的实现
05-16
在这种方法中，将变分自动编码器（VAE）与生成对抗网络（GAN）组合在一起，以学习更高级别的图像相似性度量，而不是传统的逐元素度量。 模型如图1所示。 图1 VAE-GAN网络概述 编码器将数据样本$ x $编码为潜在表示$...
Diffusion-GAN: Training GANs with Diffusion
qq_53826699的博客
08-08 2936
生成对抗网络（GANs）的稳定训练具有挑战性，而在鉴别器输入中注入实例噪声的解决方法在实践中还不是很有效。在本文中，我们提出了一种新的GAN框架，它利用一个前向扩散链来产生高斯混合分布的实例噪声。扩散-gan由三个组成部分组成，包括一个自适应扩散过程、一个与扩散时间步长相关的鉴别器和一个发生器。观测数据和生成的数据都通过相同的自适应扩散过程进行扩散。在每个扩散时间步长，有不同的噪声-数据比，时间步长相关的鉴别器学习区分扩散的真实数据和扩散生成的数据。
论文学习——HiFi-GAN: Generative Adversarial Networks for Efficient and High Fidelity Speech Synthesis
Blackoutdragon的博客
07-18 2431
* 这篇文章，是《CONDITIONAL SOUND GENERATION USING NEURAL DISCRETE TIME-FREQUENCY REPRESENTATION LEARNING》主要应用到的三个技术之一，我正在复现这篇文章，然后需要了解HiFi-GAN技术，续哦一就翻译了这篇文章。 * 这篇文章是2020年的，近三年的文章，是Conference on Neural Information Processing Systems (NeurIPS 2020),这个会议也是人工智能领域的顶会
【论文阅读】Deep Models Under the GAN: Information Leakage from Collaborative Deep Learning GAN下：信息泄露黑盒攻击
weixin_49946504的博客
05-28 841
最近要看一些推理攻击的内容，把看过的都放过来吧，Deep Models Under the GAN: Information Leakage from Collaborative Deep Learning，GAN下的深度模型：协作深度学习的信息泄漏，ACM CCS 2017，模型逆向攻击，模型推理攻击
GAN Inversion: A Survey
Joselynzhao
01-20 1804
文章目录Abstract框架IntroductionEvaluation Metrics Abstract GAN inversion aims to invert a given image back into the latent space of a pretrained GAN model so that the image can befaithfully reconstructed from the inverted code by the generator. In this paper, w
PD-GAN: Probabilistic Diverse GAN for Image Inpainting
qq_37614597的博客
05-30 2976
最近对于image inpainting的研究开始向生成结果的多样性开始转变。传统image inpainting方法虽然也可以生成貌似真实的完整图像，但是这些模型有一个根本性的问题：它们默认了输入的缺失图像应该对应某一个完整图像，然后将生成的图像与真实的完整图像通过重建误差来优化网络。这显然是不合理的。就如艺术品修复一样，对于同一件艺术品，不同的艺术家对其修复的结果肯定是不一样的，但是这些修复结果都是合理的(艺术家自身水平达标的前提下)，因此，如果将缺失图像用ImI_mIm​来表示，完整图像用IgI_gI
GAN论文精读读后感
irony_202的博客
03-14 1014
GAN：生成对抗网络，架构采用了一个生成模型和一个判别模型，生成模型的输入是一个100维的均值为0方差为1的高斯分布，通过多层感知机来学习一个映射参数来拟合原输入x，判别模型的输入是x和生成模型的输出（标签分别是1和0）。 目标函数为 其中判别模型需要最大化这个函数，生成模型要最小化右边的式子。 具体过程： 每次从z中采样m个噪声样本，从x中采样m个真实样本作为小批量来更新判别器的参数，再用m个噪音样本来更新生成器参数，判别器的性能不宜过强与过弱，否则会影响生成器的更新动力。 目标函数的正确性（理论）：
MPL-GAN:Toward Realistic Meteorological predictive learning Using Conditional GAN论文解读
qq_30516823的博客
07-17 1184
MPL-GAN:Toward Realistic Meteorological predictive learning Using Conditional GAN 作者：HONG-BIN LIU and ICKJAI LEE College of Science and Engineering, James Cook University, Cairns, QLD 4870, Australia 下载地址. Abstract 气象图像预报是气象预报中一个重要而具有挑战性的问题。这个问题可以看作是一个视频帧预
Diffusion-GAN: 训练GAN的新方法
gitblog_01146的博客
08-08 616
Diffusion-GAN: 训练GAN的新方法 Diffusion-GANOfficial PyTorch implementation for paper: Diffusion-GAN: Training GANs with Diffusion项目地址:https://gitcode.com/gh_mirrors/di/Diffusion-GAN 项目介绍 Diffusion-GAN是一种新...
StyleGAN及StyleGANv2论文解读
持续关注并分享目标检测、数据生成、视频驱动、跨模态、分割、关键点等领域前沿技术
01-16 5303
文章目录StyleGAN贡献解决问题算法原理实验结果StyleGAN v2 StyleGAN论文：《A Style-Based Generator Architecture for Generative Adversarial Networks》 代码：https://github.com/NVlabs/stylegan StyleGANv2论文：《Analyzing and Improving the Image Quality of StyleGAN》 代码：https://github.com/NVl
ca-gan：CA-GAN：组合辅助GAN
02-02
论文“通过合成辅助GAN实现逼真的面部照片素描合成” [ 发电机架构 样品结果 左：草图合成； 右：照片合成 （a）输入图像，（b）cGAN，（c）CA-GAN，（d）SCA-GAN 先决条件 Linux或类似环境 Python 2.7 NVIDIA ...
Matlab-GAN:生成对抗网络的 MATLAB 实现——从 GAN 到 Pixel2Pixel、CycleGAN-matlab开发
05-31
研究论文中建议的生成对抗网络 (GAN) 的 MATLAB 实现集合。 它包括 GAN、conditional-GAN、info-GAN、Adversarial AutoEncoder、Pix2Pix、CycleGAN 等，模型应用于不同的数据集，如 MNIST、celebA 和 Facade。
掌握AIStarter新功能，轻松关闭广告享受纯净浏览体验
ai_xiaogui的博客
11-07 423
AIStarter的广告拦截器是一项集成在平台内部的新特性，它允许用户根据自己的喜好设置广告过滤规则。无论是烦人的横幅广告、视频前贴片广告还是弹窗广告，都可以通过简单的设置被有效屏蔽。这项功能不仅提升了用户的浏览效率，还保护了用户的隐私安全。在数字时代，拥有一个清爽无干扰的网络环境对每个人都至关重要。AIStarter的广告拦截器正是为此而设计，它帮助用户夺回了对个人浏览体验的控制权。现在就尝试启用这项功能，开始享受一个更加干净、高效的上网体验吧！不要广告！关闭广告！
探索App Intents：让你的应用与Siri无缝互动的新方式
jixn的博客
11-09 1477
苹果推出了一个新框架——App Intents，使开发者可以在iOS 18.2+、macOS 15.2+等平台上集成Siri和Apple Intelligence，实现对应用内容的读取和操作。App Intents使应用的功能和内容能无缝融入系统体验中，例如Siri、Spotlight搜索、快捷指令和小组件，让用户可以轻松访问应用核心功能，并获得更智能的Siri帮助。：表示应用内容，如照片、联系人或文件。：用户可以对 Siri 发出指令，例如“查找我的航班”或“添加待办事项”，Siri直接与应用交互。
AI重塑软件开发流程
最新发布
车轮的博客
11-10 956
既然谈到传统软件开发与AI参与的软件开发的对比，我们就来看一下这两者之前的区别。
一次薅国家超算平台的记录
weixin_55179972的博客
11-07 407
参与 谁是下一个“AI”跃人 -AI体验推介活动，赢取千元算力券！（https://www.scnet.cn/home/subject/modular/index270.html）2. Clone开源的Llama3 Chinese （https://github.com/LlamaFamily/Llama-Chinese）活动名称主题：国家超算互联网「AI跃升季」：谁是下一个“AI”跃人 - AI算力体验活动。其中位置1，2替换为商品基模型和训练出来的微调模型。模型改为商城下载的模型。2、运行的过程记录。
在后LLM时代，关于新一代智能体的思考
langboat_mengzi的博客
11-07 772
同时，新一代智能体工具平台应具备与基座LLM保持独立的多层次智能体系，无需依赖单一大模型或者技术供应商，如此一来，有利于实现模块化开发，具备较强的可维护性，同时还能够建立良好的生态，促进智能体的繁荣发展。而“慢思考”是指在基础模型的基础上，当处理一些复杂指令时，智能体将需求拆解成多个子任务，会调用不同的工具来完成任务，并对结果进行反思、确认，这一过程体现了一种类似于人类思维的“系统 2”的过程，即 step-by-step、可解释的且能导致更准确结果的过程。这些能力对于智能体具有重要的作用和价值。
Yolo11实战改进：一文读懂Yolo11到实战。
m0_47867638的博客
11-09 564
YOLO11是Ultralytics YOLO系列实时目标检测器的最新迭代版本，它以尖端的精度、速度和效率重新定义了可能性。在之前YOLO版本令人瞩目的进步基础上，YOLO11在架构和训练方法上引入了重大改进，使其成为各种计算机视觉任务的通用选择。关键特性：YOLO11采用改进的主干网络和颈部架构，提高了特征提取能力，以实现更精确的目标检测和更复杂的任务性能。YOLO11引入了精细的架构设计和优化的训练流程，提供了更快的处理速度，并在准确性和性能之间保持了最佳平衡。
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

打赏作者

微风❤水墨

你的鼓励是我最大的动力！

¥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