GAN ZOO
hyczkg
一只小菜鸡
展开
-
【GAN ZOO阅读】Generative Adversarial Nets 生成对抗网络 原文翻译 by zk
Ian J. Goodfellow, Jean Pouget-Abadie ∗ , Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair † , Aaron Courville, Yoshua Bengio ‡ Département d’informatique et de recherche opérationnelle 蒙特...翻译 2018-09-04 07:16:50 · 2701 阅读 · 0 评论 -
【GAN ZOO阅读】模式正则化的生成对抗网络 MODE REGULARIZED GENERATIVE ADVERSARIAL NETWORKS
原文地址: https://arxiv.org/abs/1612.02136 引用之请注明出处。 Tong Che 1,Yanran Li 2 3,Athul Paul Jacob 1,Yoshua Bengio 1,Wenjie Li 2 1 蒙特利尔学习算法研究所,蒙特利尔大学,蒙特利尔,QC H3T 1J4,加拿大 2 香港理工大学计算机系,香港 3 滑铁卢大学计算机学院,滑铁卢,O...翻译 2018-11-16 07:46:21 · 2593 阅读 · 0 评论 -
【GAN ZOO阅读】Unsupervised Pixel–Level Domain Adaptation with GAN 使用GAN的无监督的像素级域适应
原文链接,引用请标明出处部分译文参考自 https://blog.csdn.net/forever1993/article/details/78405280摘要收集注释良好的图像数据集来训练现代机器学习算法对于许多任务而言过于昂贵。 一个有吸引力的替代方案是渲染数据,并在其中自动生成ground truth。不幸的是,纯粹基于渲染图像训练的模型通常无法推广到真实图像。 为解决这个缺点,先前的...翻译 2018-11-12 23:03:19 · 3454 阅读 · 0 评论 -
【GAN ZOO翻译系列】InfoGAN: Interpretable Representation Learning by Information Maximizing GAN
本文是InfoGAN的翻译,原文地址:https://arxiv.org/abs/1606.03657相当一部分部分翻译参照于:https://blog.csdn.net/pingguolou/article/details/72920970infoGAN:通过最大化生成对抗网络中信息的可解释性表示学习 Xi Chen†‡, Yan Duan†‡, Rein Houthooft†‡, Joh...翻译 2018-11-02 08:25:34 · 583 阅读 · 0 评论 -
【GAN ZOO翻译系列】s2GAN:使用样式和结构对抗式网络的生成图像建模
王小龙,Abhinav Gupta 卡耐基梅隆大学机器人研究所摘要当前的生成框架使用的端至端的学习,并从均匀噪声分布采样产生图像。然而,这些方法忽略图像形成的最基本的原理。图像是按照以下方式产生的:(a)结构:3D模型;(B)样式:纹理到结构的映射。在本文中,作者分解图像的生成过程,并提出了样式-结构生成对抗网络( S2GANS^2GANS2GAN )。 S2GANS^2GANS2GAN ...翻译 2018-10-10 17:13:00 · 1954 阅读 · 0 评论 -
【GAN ZOO翻译】StackGAN:Text to Photo-realistic Image Synthesis with Stacked GAN 使用堆叠的GAN从文本中生成照片一样逼真的图片
Han Zhang1, Tao Xu2, Hongsheng Li3, Shaoting Zhang4, Xiaogang Wang3, Xiaolei Huang2, Dimitris Metaxas11罗格斯大学 2里海大学 3香港中文大学 4百度研究院{han.zhang,dnm}@cs.rutgers.edu, {tax313, xih206}@lehigh.edu, {hsli,xg...翻译 2018-10-08 10:48:38 · 10225 阅读 · 0 评论 -
【GAN ZOO翻译系列】基于能量的生成对抗网络 Energy-Based Generative Adversarial Networks
赵俊博, Michael Mathieu, Yann LeCun纽约大学计算机科学系Facebook人工智能研究院{jakezhao, mathieu, yann}@cs.nyu.edu原文链接https://arxiv.org/abs/1609.03126引用请注明出处摘要本文提出“基于能量的生成对抗网络”模型(EBGAN),它将判别器视为能量函数,将低能量赋予数据所在流形附近的区...翻译 2018-10-05 11:36:45 · 2871 阅读 · 1 评论 -
【GAN ZOO翻译系列】Cat GAN:UNSUPERVISED AND SEMI-SUPERVISED LEARNING WITH CATEGORICAL GAN 用于监督和半监督学习的GAN
Jost Tobias Springenberg 弗莱堡大学 79110 Freiburg, Germany springj@cs.uni-freiburg.de 原文链接https://arxiv.org/abs/1511.06390v2摘要本文提出了一种从未标记或部分标记的数据中学习判别分类器的方法。方法基于客观函数,该函数在观察到的示例与其预测的分类类别分布之间交换互信息...翻译 2018-09-20 16:31:41 · 3850 阅读 · 1 评论 -
LAPGAN:Deep Generative/Image Models using a Laplacian Pyramid of Adversarial Networks 使用拉普拉斯金字塔的GAN
Emily DentonDept. of Computer ScienceCourant InstituteNew York UniversitySoumith ChintalaArthur Szlam Rob FergusFacebook AI ResearchNew York原文链接,引用请注明出处摘要本文介绍了一种能够生成高质量自然图像样本的生成参数模型。作者的方法在...翻译 2018-09-25 23:50:40 · 2552 阅读 · 0 评论 -
【GAN ZOO阅读系列】UNSUPERVISED REPRESENTATION LEARNING WITH DCGAN 使用深度卷积生成对抗网络的无监督的表示学习
Alec Radford & Luke Metzindico ResearchBoston, MA{alec,luke}@indico.ioSoumith ChintalaFacebook AI ResearchNew York, NYsoumith@fb.com引用请注明出处原文链接https://arxiv.org/abs/1511.06434参考翻译https:/...翻译 2018-09-23 22:38:37 · 12985 阅读 · 0 评论 -
【GAN ZOO】Precomputed Realtime Texture Synthesis with Markovian Generative Adversarial 用MGAN预训练实时纹理合成
原文地址 https://link.springer.com/chapter/10.1007/978-3-319-46487-9_43补充材料和代码 https://github.com/chuanli11/MGANs。Chuan Li and Michael Wand德国美因茨大学,计算机科学研究所摘要本文提出了马尔可夫生成对抗网络(MGANs),一种用于训练有效纹理合成的生成神经网络...翻译 2018-11-23 01:35:30 · 3532 阅读 · 0 评论