基于生成对抗网络的对抗样本攻击方法

基于多任务生成对抗网络的无参考图像质量评价(No-Reference Image Quality Assessment Based on Multi-Task Generative Adversari

提出一种用于短波红外人脸图像与可见光人脸图像翻译的改进CycleGAN框架。基于CycleGAN框架,新增了损失函数计算通路并设计了新损失函数。建立数据集并通过实验调整模型参数,改进模型在人脸图像上的

面向对象设计风格，采用TensorFlow框架，结构清晰，代码易读易理解。生成器网络和判别其网络，不需要修改参数，下载就可以运行，只需调整网络批次一个参数。

Ian J. Goodfellow等人于2014年提出生成对抗网络。 原文摘要:We propose a new framework for estimating generative models

spatial_gan, 空间生成对抗性网络 基于的空间生成对抗性网络这里代码在 lasagne/theano之上实现空间生成对抗性网络( SGANs )，如在 https://arxiv.org/a

适合感兴趣同学自学

密歇根大学关于生成式对抗网络的28页综述。生成性对抗网络是近年来研究的热点。GANs自2014年以来得到了广泛的研究，并提出了大量的算法。然而，很少有全面的研究解释不同甘氨酸变体之间的联系，以及它们是

DeblurGAN DeblurGAN:使用条件对抗网络进行盲运动去模糊的Pytorch实现。 我们的网络将模糊的图像作为输入,并进行相应的清晰估计,如示例所示: 我们使用的模型是条件性Wassers

本演示文档包含生成对抗网络基本原理、算法分析及衍生模型,适合对生成对抗网络感兴趣的本科生和研究生学习,特别适用于交流汇报

ESRGAN (Enhanced SRGAN) - 增强的超分辨率生成对抗网络