生成对抗网络（GANs）的资料小结，另附：资源|17类对抗网络经典论文及开源代码（附源码）

来源：互联网发布：山东恒邦网络编辑：程序博客网时间：2024/05/22 07:06

1.GANs的一些资料链接
************************************************** ************************************************** ***********************************
【1】GAN学习指南：从原理入门到制作生成演示，总共分几步----- HTTP：//www.leiphone.com/news/201701/yZvIqK8VbxoYejLl.html?viewType=weixin
************************************************** ************************************************** ***********************************
【2】独家| GAN之父NIPS 2016演讲现场直击：全方位解读生成对抗网络的原理及未来（附PPT）：http：//it.sohu.com/20161210/n475485860.shtml
************************************************** ************************************************** ***********************************
【3】生成式对抗网络（GAN）系列文章：http：//www.cnblogs.com/Charles-Wan/p/6266279.html
************************************************** ************************************************** ***********************************
【4】生成式对抗网络系列文章http：//blog.csdn.net/solomon1558/article/details/52537114
************************************************** ************************************************** ***********************************
【5】深度学习研究总结：生成对抗网络（附3篇arXiv最火论文）：http：//it.sohu.com/20161003/n469570219.shtml
************************************************** ************************************************** ***********************************
【6】生成式模型与生成对抗网络 - 资料梳理（专访资料+论文分类）：http：//blog.csdn.net/solomon1558/article/details/52338052
************************************************** ************************************************** ***********************************
【7】生成式对抗网络GAN有哪些最新的发展，可以实际应用到哪些场景中：https：//www.zhihu.com/question/52602529/answer/136648853
************************************************** ************************************************** ***********************************
【8】深度学习的下一个热点：生成对抗网络（GANs）将改变世界：http：//geek.csdn.net/news/detail/133757
************************************************** ************************************************** ***********************************
【9】生成式对抗网络GAN研究进展：http：//code.replays.net/201610/8153.html
************************************************** ************************************************** ***********************************
【10】无监督学习生成式对抗网络突破，OpenAI 5大项目落地：
HTTP：//mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==&mid=2651985602&idx=1&sn=80482a460704f300efe914e07acdc39e&scene=0#wechat_redirect
************************************************** ************************************************** ***********************************
【11】用Caffe生成对抗样本：http：//www.cnblogs.com/frombeijingwithlove/p/6657259.html
************************************************** ************************************************** ***********************************
【12】在Caffe中实现模型融合：http：//www.cnblogs.com/frombeijingwithlove/p/6683476.html
************************************************** ************************************************** ***********************************
【13】在caffe中实现生成对抗网（一）：http：//blog.csdn.net/seven_first/article/details/52999758
************************************************** ************************************************** ***********************************
【14】学界| 用户对抗网络生成训练数据：CMU论文A-Fast-RCNN的Caffe实现：http：//www.sohu.com/a/133975039_465975
************************************************** ************************************************** ***********************************
【15】对抗生成网络的视频：http：//edu.csdn.net/course/detail/4093/71788?auto_start=1
************************************************** ************************************************** ***********************************
【16】生成对抗网络的tensorflow实现：http：//blog.csdn.net/xiaohu2022/article/details/54234263
************************************************** ************************************************** ***********************************
【17】对抗神经网络（Adversarial Nets）的介绍及其实战：http：//blog.csdn.net/roslei/article/details/70270200
************************************************** ************************************************** ***********************************
2. 关于GANs的一些课件整理
监督无学习的英文机器学习的未来，而现在GANs的出现，则为无监督学习带来了光明。

鉴于GANs的火热，最近将从一些大牛分享资料中截取和整理的资料附图如下：
另附：
资源| 17类对抗网络经典论文及开源代码（附源码）
转自 http://www.sohu.com/a/133039691_642762原文来源：Github
对抗网络专题文献集
第一篇论文
[生成对抗网]（关于它的第一篇文章）
[纸张]：HTTPS：//arxiv.org/abs/1406.2661
[代码]：HTTPS：//github.com/goodfeli/adversarial
未分类
[使用对角网络的拉普拉斯金字塔的深度生成图像模型]
[纸张] https://arxiv.org/abs/1506.05751
[代码] https://github.com/facebook/eyescream
（具有深卷积生成对抗网络的无监督表示学习）（Gan与卷积网络）（ICLR）
[纸张] https://arxiv.org/abs/1511.06434
[代码] https://github.com/jacobgil/keras-dcgan
[对抗自动编码器]
[纸张] http://arxiv.org/abs/1511.05644
[代码] https://github.com/musyoku/adversarial-autoencoder
[基于深度网络生成具有感知相似性度量的图像]
[纸张] https://arxiv.org/pdf/1602.02644v2.pdf
[生成具有复发性对抗网络的图像]
[纸张] https://arxiv.org/abs/1602.05110
[代码] https://github.com/ofirnachum/sequence_gan
[自然图像歧管的生成视觉操作]
[纸张] https://people.eecs.berkeley.edu/%7Ejunyanz/projects/gvm/eccv16_gvm.pdf
[代码] https://github.com/junyanz/iGAN
[生成对象文本到图像合成]
[纸张] https://arxiv.org/abs/1605.05396
[代码] https://github.com/reedscot/icml2016
[代码] https://github.com/paarthneekhara/text-to-image
[学习什么和在哪里画]
[纸张] http://www.scottreed.info/files/nips2016.pdf
[代码] https://github.com/reedscot/nips2016
[草图检索对抗培训]
[纸张] http://link.springer.com/chapter/10.1007/978-3-319-46604-0_55
[使用风格和结构对抗网络的生成图像建模]
[纸张] https://arxiv.org/pdf/1603.05631.pdf
[代码] https://github.com/xiaolonw/ss-gan
[生成对抗网络作为能量模型的变化训练] （ICLR 2017）
[纸张] http://www.mathpubs.com/detail/1611.01799v1/Generative-Adversarial-Networks-as-Variational-Training-of-Energy-Based-Models
[半监督文本分类对抗培训方法] （Ian Goodfellow Paper）
[纸张] https://arxiv.org/abs/1605.07725
[注意] https://github.com/dennybritz/deeplearning-papernotes/blob/master/notes/adversarial-text-classification.md
[通过对抗训练从模拟和无监督的图像学习] （苹果论文）
[纸张] https://arxiv.org/abs/1612.07828
[代码] https://github.com/carpedm20/simulated-unsupervised-tensorflow
[通过深层发电机网络合成神经网络神经元的首选输入]
[纸张] https://arxiv.org/pdf/1605.09304v5.pdf
[代码] https://github.com/Evolving-AI-Lab/synthesizing
[SalGAN：Visual Saliency Prediction with Generative Adversarial Networks]
[纸张] https://arxiv.org/abs/1701.01081
[代码] https://github.com/imatge-upc/saliency-salgan-2017
[对抗特征学习]
[纸张] https://arxiv.org/abs/1605.09782
[使用循环一致性对抗网络的无图像到图像转换]
[纸张] https://junyanz.github.io/CycleGAN/
[代码] https://github.com/junyanz/CycleGAN
合奏
[AdaGAN：Boosting Generative Models]（Google Brain）
[纸张] https://arxiv.org/abs/1701.02386
聚类
[使用生成对抗训练和聚类的无监督学习]（ICLR）
[纸张] https://openreview.net/forum?id=SJ8BZTjeg¬eId=SJ8BZTjeg
[代码] https://github.com/VittalP/UnsupGAN
[无监督和半监督学习与分类生成对抗网络]（ICLR）
[纸张] https://arxiv.org/abs/1511.06390
图像修复
[感知和语境损失的语义图像修复]
[纸张] https://arxiv.org/abs/1607.07539
[代码] https://github.com/bamos/dcgan-completion.tensorflow
[上下文编码器：通过修复进行功能学习]
[纸张] https://arxiv.org/abs/1604.07379
[代码] https://github.com/jazzsaxmafia/Inpainting
[上下文有条件生成对抗网络的半监督学习]
[纸张] https://arxiv.org/abs/1611.06430v1
联合概率
[对峙学习推论]
[纸张] https://arxiv.org/abs/1606.00704
[代码] https://github.com/IshmaelBelghazi/ALI
超分辨率
[通过深度学习的图像超分辨率]（仅面向数据集）
[代码] https://github.com/david-gpu/srez
[使用生成对抗网络的照片逼真单图像超分辨率]（使用深度残差网络）
[纸张] https://arxiv.org/abs/1609.04802
[代码] https://github.com/leehomyc/Photo-Realistic-Super-Resoluton
[EnhanceGAN]
[文件] https://medium.com/@richardherbert/faces-from-noise-super-enhancing-8x8-images-with-enhancegan-ebda015bb5e0#.io6pskvin
去除遮蔽
[强大的LSTM自动编码器在野外面部遮挡]
[纸张] https://arxiv.org/abs/1612.08534
语义分割
[使用对话网络的语义分割]（soumith的论文）
[纸张] https://arxiv.org/abs/1611.08408
对象检测
[用于小物体检测的感知生成对抗网络]（提交）
[A-Fast-RCNN：通过对象检测的对手的硬正产生]（CVPR2017）
[纸] http://abhinavsh.info/papers/pdfs/adversarial_object_detection.pdfRNN
[C-RNN-GAN：具有对抗性训练的连续循环神经网络]
[纸张] https://arxiv.org/abs/1611.09904
[代码] https://github.com/olofmogren/c-rnn-gan
有条件的对抗
[有条件生成对抗网]
[纸张] https://arxiv.org/abs/1411.1784
[代码] https://github.com/zhangqianhui/Conditional-Gans
[InfoGAN：Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets]
[纸张] https://arxiv.org/abs/1606.03657
[代码] https://github.com/buriburisuri/supervised_infogan
[使用条件对抗网络的图像到图像翻译]
[纸张] https://arxiv.org/pdf/1611.07004v1.pdf
[代码] https://github.com/phillipi/pix2pix
[代码] https://github.com/yenchenlin/pix2pix-tensorflow
[使用辅助分类器GAN的条件图像合成]（GoogleBrain ICLR 2017）
[纸张] https://arxiv.org/abs/1610.09585
[代码] https://github.com/buriburisuri/ac-gan
[像素级域名转移]
[纸张] https://arxiv.org/pdf/1603.07442v2.pdf
[代码] https://github.com/fxia22/pldtgan
[图像编辑的可逆条件GAN]
[纸张] https://arxiv.org/abs/1611.06355
[代码] https://github.com/Guim3/IcGAN
[即插即用生成网络：潜在空间中的条件迭代生成图像]
[纸张] https://arxiv.org/abs/1612.00005v1
[代码] https://github.com/Evolving-AI-Lab/ppgn
[StackGAN：文本到具有堆叠生成对话网络的照片逼真图像合成]
[纸张] https://arxiv.org/pdf/1612.03242v1.pdf
[代码] https://github.com/hanzhanggit/StackGAN
[无监督的图像到图像翻译与生成对抗网络]
[纸张] https://arxiv.org/pdf/1701.02676.pdf
[学习与生成对话网络发现跨域关系]
[纸张] https://arxiv.org/abs/1703.05192
[代码] https://github.com/carpedm20/DiscoGAN-pytorch
视频预测
[深度多尺度视频预测超过均方误差]（Yann LeCun的论文）
[纸张] https://arxiv.org/abs/1511.05440
[代码] https://github.com/dyelax/Adversarial_Video_Generation
[通过视频预测进行物理互动的无监督学习]（Ian Goodfellow的论文）
[纸张] https://arxiv.org/abs/1605.07157
[使用场景动态生成视频]
[纸张] https://arxiv.org/abs/1609.02612
[网络] http://web.mit.edu/vondrick/tinyvideo/
[代码] https://github.com/cvondrick/videogan
纹理合成和风格转移
[使用马尔可夫生成对抗网络的预计算实时纹理合成]（ECCV 2016）
[纸张] https://arxiv.org/abs/1604.04382
[代码] https://github.com/chuanli11/MGANs
GAN理论
[能源生成对抗网]（Lecun论文）
[纸张] https://arxiv.org/pdf/1609.03126v2.pdf
[代码] https://github.com/buriburisuri/ebgan
[改进GAN培训技巧]（Goodfellow的论文）
[纸张] https://arxiv.org/abs/1606.03498
[代码] https://github.com/openai/improved-gan
[模式正则化生成对抗网络]（Yoshua Bengio，ICLR 2017）
[纸张] https://openreview.net/pdf?id=HJKkY35le
[改进产生对抗网络的去噪特征匹配]（Yoshua Bengio，ICLR 2017）
[纸张] https://openreview.net/pdf?id=S1X7nhsxl
[代码] https://github.com/hvy/chainer-gan-denoising-feature-matching
[采样生成网络]
[纸张] https://arxiv.org/abs/1609.04468
[代码] https://github.com/dribnet/plat
[模式正则化生成对话网络]（Yoshua Bengio的论文）
[纸张] https://arxiv.org/abs/1612.02136
[如何训练甘斯]
[的Docu] https://github.com/soumith/ganhacks#authors
[面向训练生成对抗网络的原则方法]（ICLR 2017）
[纸张] http://openreview.net/forum?id=Hk4_qw5xe
[展开的生成对抗网络]
[纸张] https://arxiv.org/abs/1611.02163
[代码] https://github.com/poolio/unrolled_gan
[最小二乘法对抗网络]
[纸张] https://arxiv.org/abs/1611.04076
[代码] https://github.com/pfnet-research/chainer-LSGAN
[Wasserstein GAN]
[纸张] https://arxiv.org/abs/1701.07875
[代码] https://github.com/martinarjovsky/WassersteinGAN
[Lipschitz密度损失敏感的生成对抗网络]（与WGan相同）
[纸张] https://arxiv.org/abs/1701.06264
[代码] https://github.com/guojunq/lsgan
[面向训练生成对抗网络的原则方法]
[纸张] https://arxiv.org/abs/1701.04862
3D
[通过3D生成 - 对抗建模学习对象形状的概率潜在空间]（2016 NIPS）
[纸张] https://arxiv.org/abs/1610.07584
[网络] http://3dgan.csail.mit.edu/
[代码] https://github.com/zck119/3dgan-release
面对生成和编辑
[使用学习的相似性度量自动编码超像素
[纸张] https://arxiv.org/abs/1512.09300
[代码] https://github.com/andersbll/autoencoding_beyond_pixels
[耦合生成对抗网络]（NIPS）
[纸张] http://mingyuliu.net/
[Caffe Code] https://github.com/mingyuliutw/CoGAN
[Tensorflow Code] https://github.com/andrewliao11/CoGAN-tensorflow
[图像编辑的可逆条件GAN]
[纸张] https://drive.google.com/file/d/0B48XS5sLi1OlRkRIbkZWUmdoQmM/view
[代码] https://github.com/Guim3/IcGAN
[面部属性操纵的学习残差图像]
[纸张] https://arxiv.org/abs/1612.05363
[使用内省对抗网络进行神经照片编辑]（ICLR 2017）
[纸张] https://arxiv.org/abs/1609.07093
[代码] https://github.com/ajbrock/Neural-Photo-Editor
对于离散分布
[最大似然增强离散生成对抗网络]
[纸张] https://arxiv.org/abs/1702.07983v1
[边界寻求生成对抗网络]
[纸张] https://arxiv.org/abs/1702.08431
[GANS-GANSB]的分离元素序列与Gumbel-softmax分布
[纸张] https://arxiv.org/abs/1611.04051
项目
[cleverhans]（一个用于对抗脆弱性的对抗图书馆）
[代码] https://github.com/openai/cleverhans
[reset-cppn-gan-tensorflow]（使用残差生成对抗网络和变分自动编码器技术来产生高分辨率图像）
[代码] https://github.com/hardmaru/resnet-cppn-gan-tensorflow
（HyperGAN）（开源GAN着重于规模和可用性）
[代码] https://github.com/255bits/HyperGAN

阅读全文

1 0

生成对抗网络（GANs）的资料小结，另附：资源|17类对抗网络经典论文及开源代码（附源码）

另附：

资源| 17类对抗网络经典论文及开源代码（附源码）