生成对抗网络(GAN)资料打包

进入正文

全文 摘要

生成式对抗网络，即所谓的GAN是近些年来最火的无监督学习方法之一，模型由Goodfellow等人在2014年首次提出，将博弈论中非零和博弈思想与生成模型结合在一起，巧妙避开了传统生成模型中概率密度估计困难等问题，是生成模型达到良好的效果。本文总结收集了一些关于生成对抗网络的学习资源，有兴趣者可以好好学一学。

生成对抗网络资料打包

01

01

基础知识

• 台大李弘毅老师gan课程。参考链接：

  #youtube#:

  https://www.youtube.com/watch?v=DQNNMiAP5lw&index=1&list=PLJV_el3uVTsMq6JEFPW35BCiOQTsoqwNw

  #bilibili#

  https://www.bilibili.com/video/av24011528?from=search&seid=11459671583323410876

• 成对抗网络初学入门：一文读懂GAN的基本原理

  http://www.xtecher.com/Xfeature/view?aid=7496

• 深入浅出：GAN原理与应用入门介绍

  https://zhuanlan.zhihu.com/p/28731033

• 港理工在读博士李嫣然深入浅出GAN之应用篇https://pan.baidu.com/s/1o8n4UDk 密码: 78wt

• 萌物生成器：如何使用四种GAN制造猫图https://zhuanlan.zhihu.com/p/27769807

• GAN学习指南：从原理入门到制作生成Demohttps://zhuanlan.zhihu.com/p/24767059x

• 生成式对抗网络GAN研究进展http://blog.csdn.net/solomon1558/article/details/52537114

02

02

相关报告

5. NIPS 2016教程：生成对抗网络

   https://arxiv.org/pdf/1701.00160.pdf

6. 训练GANs的技巧和窍门https://github.com/soumith/ganhacks

7. OpenAI生成模型https://blog.openai.com/generative-models/

03

03

论文前言

• 对抗实例的解释和利用（Explaining and Harnessing Adversarial Examples）2014https://arxiv.org/pdf/1412.6572.pdf

• 基于深度生成模型的半监督学习（ Semi-Supervised Learning with Deep Generative Models ）2014https://arxiv.org/pdf/1406.5298v2.pdf

• 条件生成对抗网络（Conditional Generative Adversarial Nets）2014https://arxiv.org/pdf/1411.1784v1.pdf

• 基于深度卷积生成对抗网络的无监督学习（Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks (DCGANs)）2015https://arxiv.org/pdf/1511.06434v2.pdf

• 基于拉普拉斯金字塔生成式对抗网络的深度图像生成模型（Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks）2015http://papers.nips.cc/paper/5773-deep-generative-image-models-using-a-5. laplacian-pyramid-of-adversarial-networks.pdf

• 生成式矩匹配网络（Generative Moment Matching Networks）2015http://proceedings.mlr.press/v37/li15.pdf

• 超越均方误差的深度多尺度视频预测（Deep multi-scale video prediction beyond mean square error）2015https://arxiv.org/pdf/1511.05440.pdf

• 通过学习相似性度量的超像素自编码（Autoencoding beyond pixels using a learned similarity metric）2015https://arxiv.org/pdf/1512.09300.pdf

• 对抗自编码（Adversarial Autoencoders）2015https://arxiv.org/pdf/1511.05644.pdf

• 基于像素卷积神经网络的条件生成图片（Conditional Image Generation with PixelCNN Decoders）2015https://arxiv.org/pdf/1606.05328.pdf

• 通过平均差异最大优化训练生成神经网络（Training generative neural networks via Maximum Mean Discrepancy optimization）2015https://arxiv.org/pdf/1505.03906.pdf

• 训练GANs的一些技巧（Improved Techniques for Training GANs）2016

  https://arxiv.org/pdf/1606.03498v1.pdf

• InfoGAN:基于信息最大化GANs的可解释表达学习（InfoGAN:Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets）2016https://arxiv.org/pdf/1606.03657v1.pdf

• 上下文像素编码：通过修复进行特征学习（Context Encoders: Feature Learning by Inpainting）2016

  http://www.cvfoundation.org/openaccess/content_cvpr_2016/papers/Pathak_Context_Encoders_Feature_CVPR_2016_paper.pdf

• 生成对抗网络实现文本合成图像（Generative Adversarial Text to Image Synthesis）2016http://proceedings.mlr.press/v48/reed16.pdf

• 对抗特征学习（Adversarial Feature Learning）2016https://arxiv.org/pdf/1605.09782.pdf

• 结合逆自回归流的变分推理（Improving Variational Inference with Inverse Autoregressive Flow ）2016https://papers.nips.cc/paper/6581-improving-variational-autoencoders-with-inverse-autoregressive-flow.pdf

• 深度学习系统对抗样本黑盒攻击（Practical Black-Box Attacks against Deep Learning Systems using Adversarial Examples）2016https://arxiv.org/pdf/1602.02697.pdf

• 参加，推断，重复：基于生成模型的快速场景理解（Attend, infer, repeat: Fast scene understanding with generative models）2016https://arxiv.org/pdf/1603.08575.pdf

• f-GAN: 使用变分散度最小化训练生成神经采样器（f-GAN: Training Generative Neural Samplers using Variational Divergence Minimization ）2016http://papers.nips.cc/paper/6066-tagger-deep-unsupervised-perceptual-grouping.pdf

• 在自然图像流形上的生成视觉操作（Generative Visual Manipulation on the Natural Image Manifold）2016https://arxiv.org/pdf/1609.03552.pdf

• 对抗性推断学习（Adversarially Learned Inference）2016https://arxiv.org/pdf/1606.00704.pdf

• 基于循环对抗网络的图像生成（Generating images with recurrent adversarial networks）2016https://arxiv.org/pdf/1602.05110.pdf

• 生成对抗模仿学习(Generative Adversarial Imitation Learning）2016http://papers.nips.cc/paper/6391-generative-adversarial-imitation-learning.pdf

• 基于3D生成对抗模型学习物体形状的概率隐空间（Learning a Probabilistic Latent Space of Object Shapes via 3D Generative-Adversarial Modeling）2016https://arxiv.org/pdf/1610.07584.pdf

• 学习画画（Learning What and Where to Draw）2016https://arxiv.org/pdf/1610.02454v1.pdf

• 基于辅助分类器GANs的条件图像合成（Conditional Image Synthesis with Auxiliary Classifier GANs）2016https://arxiv.org/pdf/1610.09585.pdf

• 隐生成模型的学习（Learning in Implicit Generative Models）2016https://arxiv.org/pdf/1610.03483.pdf

• VIME: 变分信息最大化探索（VIME: Variational Information Maximizing Exploration）2016http://papers.nips.cc/paper/6591-vime-variational-information-maximizing-exploration.pdf

• 生成对抗网络的展开（Unrolled Generative Adversarial Networks）2016https://arxiv.org/pdf/1611.02163.pdf

• 基于内省对抗网络的神经图像编辑（Neural Photo Editing with Introspective Adversarial Networks）2016，原文链接：

  https://arxiv.org/pdf/1609.07093.pdf

• 基于解码器的生成模型的定量分析（On the Quantitative Analysis of Decoder-Based Generative Models ）2016，原文链接：

  https://arxiv.org/pdf/1611.04273.pdf

• 结合生成对抗网络和Actor-Critic 方法（Connecting Generative Adversarial Networks and Actor-Critic Methods）2016，原文链接：

  https://arxiv.org/pdf/1610.01945.pdf

• 通过对抗网络使用模拟和非监督图像训练（ Learning from Simulated and Unsupervised Images through Adversarial Training）2016，原文链接：

  https://arxiv.org/pdf/1612.07828.pdf

• 基于上下文RNN-GANs的抽象推理图的生成（Contextual RNN-GANs for Abstract Reasoning Diagram Generation）2016，原文链接：

  https://arxiv.org/pdf/1609.09444.pdf

• 生成多对抗网络（Generative Multi-Adversarial Networks）2016，原文链接：

  https://arxiv.org/pdf/1611.01673.pdf

• 生成对抗网络组合（Ensembles of Generative Adversarial Network）2016，原文链接：

  https://arxiv.org/pdf/1612.00991.pdf

• 改进生成器目标的GANs(Improved generator objectives for GANs) 2016，原文链接：

  https://arxiv.org/pdf/1612.02780.pdf

• 训练生成对抗网络的基本方法（Towards Principled Methods for Training Generative Adversarial Networks）2017，原文链接：

  https://arxiv.org/pdf/1701.04862.pdf

• 生成对抗模型的隐向量精准修复（Precise Recovery of Latent Vectors from Generative Adversarial Networks）2017，原文链接：

  https://openreview.NET/pdf?id=HJC88BzFl

• 生成混合模型（Generative Mixture of Networks）2017，原文链接：

  https://arxiv.org/pdf/1702.03307.pdf

• 记忆生成时空模型（Generative Temporal Models with Memory）2017，原文链接：

  https://arxiv.org/pdf/1702.04649.pdf

• AdaGAN: Boosting Generative Models". AdaGAN。原文链接[https://arxiv.org/abs/1701.04862]

• Loss-Sensitive Generative Adversarial Networks on Lipschitz Densities。原文链接：https://arxiv.org/abs/1701.06264；代码：https://github.com/guojunq/glsgan/

• Wasserstein GAN, WGAN。原文链接：[https://arxiv.org/abs/1701.07875]；代码：

  https://github.com/martinarjovsky/WassersteinGAN

• Boundary-Seeking Generative Adversarial Networks，BSGAN。原文链接：https://arxiv.org/abs/1702.08431；代码地址：

  https://github.com/wiseodd/generative-models

• Generative Adversarial Nets with Labeled Data by Activation Maximization，AMGAN。原文链接：

  https://arxiv.org/abs/1703.02000

• Triple Generative Adversarial Nets，Triple-GAN。原文链接

  https://arxiv.org/abs/1703.02291

• BEGAN: Boundary Equilibrium Generative Adversarial Networks。原文链接：https://arxiv.org/abs/1703.10717；代码：

  https://github.com/wiseodd/generative-models

• Improved Training of Wasserstein GANs。原文链接：https://arxiv.org/abs/1704.00028；代码：

  https://github.com/wiseodd/generative-models

• MAGAN: Margin Adaptation for Generative Adversarial Networks。原文链接[https://arxiv.org/abs/1704.03817]，

  代码：https://github.com/wiseodd/generative-models

• Gang of GANs: Generative Adversarial Networks with Maximum Margin Ranking。原文链接：

  https://arxiv.org/abs/1704.04865

• Softmax GAN。原文链接：

  https://arxiv.org/abs/1704.06191

• Generative Adversarial Trainer: Defense to Adversarial Perturbations with GAN。原文链接：

  https://arxiv.org/abs/1705.03387

• Flow-GAN: Bridging implicit and prescribed learning in generative models。原文链接：

  https://arxiv.org/abs/1705.08868

• Approximation and Convergence Properties of Generative Adversarial Learning。原文链接：

  https://arxiv.org/abs/1705.08991

• Towards Consistency of Adversarial Training for Generative Models。原文链接：

  https://arxiv.org/abs/1705.09199

• Good Semi-supervised Learning that Requires a Bad GAN。原文链接：https://arxiv.org/abs/1705.09783

• On Unifying Deep Generative Models。原文链接：

  https://arxiv.org/abs/1706.00550

• DeLiGAN:Generative Adversarial Networks for Diverse and Limited Data。原文链接：

  http://10.254.1.82/cache/6/03/openaccess.thecvf.com/e029768353404049dbcac9187a363d5a/Gurumurthy_DeLiGAN__Generative_CVPR_2017_paper.pdf；代码：https://github.com/val-iisc/deligan

• Temporal Generative Adversarial Nets With Singular Value Clipping。原始链接：

  http://openaccess.thecvf.com/content_ICCV_2017/papers/Saito_Temporal_Generative_Adversarial_ICCV_2017_paper.pdf

• Least Squares Generative Adversarial Networks. LSGAN。原始链接：

  http://openaccess.thecvf.com/content_ICCV_2017/papers/Mao_Least_Squares_Generative_ICCV_2017_paper.pdf

04

04

项目实战

• 深度卷积生成对抗模型（DCGAN）参考链接

  https://github.com/Newmu/dcgan_code

• 用Keras实现MNIST生成对抗模型，参考链接：

  https://oshearesearch.com/index.PHP/2016/07/01/mnist-generative-adversarial-model-in-keras/

• 用深度学习TensorFlow实现图像修复，参考链接：

  http://bamos.github.io/2016/08/09/deep-completion/

• TensorFlow实现深度卷积生成对抗模型（DCGAN），参考链接：

  https://github.com/carpedm20/DCGAN-tensorflow

• Torch实现深度卷积生成对抗模型（DCGAN），参考链接：

  https://github.com/soumith/dcgan.torch

• Keras实现深度卷积生成对抗模型（DCGAN），参考链接：

  https://github.com/jacobgil/keras-dcgan

• 使用神经网络生成自然图像（Facebook的Eyescream项目），参考链接：

  https://github.com/facebook/eyescream

• 对抗自编码（AdversarialAutoEncoder），参考链接：

  https://github.com/musyoku/adversarial-autoencoder

• 利用ThoughtVectors 实现文本到图像的合成，参考链接：

  https://github.com/paarthneekhara/text-to-image

• 对抗样本生成器（Adversarialexample generator），参考链接：

  https://github.com/e-lab/torch-toolbox/tree/master/Adversarial

• 深度生成模型的半监督学习，参考链接：

  https://github.com/dpkingma/nips14-ssl

• GANs的训练方法，参考链接：

  https://github.com/openai/improved-gan

• 生成式矩匹配网络（Generative Moment Matching Networks, GMMNs），参考链接：

  https://github.com/yujiali/gmmn

• 对抗视频生成，参考链接：

  https://github.com/dyelax/Adversarial_Video_Generation

• 基于条件对抗网络的图像到图像翻译（pix2pix）参考链接：

  https://github.com/phillipi/pix2pix

• 对抗机器学习库Cleverhans, 参考链接：

  https://github.com/openai/cleverhans

05

05

相关补充

• 生成对抗网络（GAN）专知荟萃。参考资料：

  http://www.zhuanzhi.ai/topic/2001150162715950/awesome

• The GAN Zoo千奇百怪的生成对抗网络，都在这里了。你没看错，里面已经有有近百个了。参考链接：

  https://github.com/hindupuravinash/the-gan-zoo

• gan资料集锦。参考链接：

  https://github.com/nightrome/really-awesome-gan

• gan在医学上的案例集锦：

  https://github.com/xinario/awesome-gan-for-medical-imaging

• gan应用集锦：

  https://github.com/nashory/gans-awesome-applications

• 生成对抗网络（GAN）的前沿进展（论文、报告、框架和Github资源）汇总，参考链接：

  http://blog.csdn.net/love666666shen/article/details/74953970

2018/11/15

Thursday

上面就是关于生成对抗网络-GAN的详细资料了，内容有点多，但绝对是干货满满，生成对抗网络作为无监督学习的典型，有着广阔的发展前景。后续还会继续分享关于机器学习、深度学习相关的知识，请记得继续关注哦！

往期回顾

●

●

●

●