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

  1. NIPS 2016教程：生成对抗网络

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

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

  3. 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

●

●

●

●

生成对抗网络(GAN)资料打包相关推荐

  1. 生成对抗网络GAN资料汇总（附pdf下载）

    如今,GAN技术已延伸至AI各方向,如图像处理.自然语言处理和语音等.深度学习三巨头之一 Yann LeCun :"这是过去十年间机器学习领域最让人激动的点子!".2018 GAN ...

  2. 生成对抗网络(GAN)相比传统训练方法有什么优势?（一）

    作者:元峰 链接:https://www.zhihu.com/question/56171002/answer/148593584 来源:知乎 著作权归作者所有.商业转载请联系作者获得授权,非商业转载 ...

  3. [人工智能-深度学习-59]：生成对抗网络GAN - 基本原理（图解、详解、通俗易懂）

    作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客 本文网址:https://blog.csdn.net/HiWangWenBing/article/detai ...

  4. 【通知】《生成对抗网络GAN原理与实践》代码开源，勘误汇总！

    有三上个月出版了新书<生成对抗网络GAN:原理与实践>,Generative Adversarial Networks(中文名生成对抗网络,简称GAN)自从被提出来后,其发展就非常迅猛,几 ...

  5. 【CV秋季划】生成对抗网络GAN有哪些研究和应用，如何循序渐进地学习好（2022年言有三一对一辅导）？...

    GAN自从被提出来后,技术发展就非常迅猛,已经被落地于众多的方向,其应用涉及图像与视频生成,数据仿真与增强,各种各样的图像风格化任务,人脸与人体图像编辑,图像质量提升. 那我们究竟如何去长期学好相关的 ...

  6. 简述一下生成对抗网络GAN(Generative adversarial nets)模型？

    简述一下生成对抗网络GAN(Generative adversarial nets)模型? 生成对抗网络GAN是由蒙特利尔大学Ian Goodfellow在2014年提出的机器学习架构. 要全面理解生 ...

  7. 生成对抗网络gan原理_中国首个“芯片大学”即将落地；生成对抗网络（GAN）的数学原理全解...

    开发者社区技术周刊又和大家见面了,萌妹子主播为您带来第三期"开发者技术联播".让我们一起听听,过去一周有哪些值得我们开发者关注的重要新闻吧. 中国首个芯片大学,南京集成电路大学即将 ...

  8. 必读！TOP10生成对抗网络GAN论文（附链接）

    来源:新智元 本文约2200字,建议阅读7分钟. 本文所选论文提供了一个易读的对GAN的介绍,帮助你理解GAN技术的基础. [ 导读 ]生成对抗网络 (GAN) 是深度学习中最有趣.最受欢迎的应用之一 ...

  9. 生成对抗网络GAN综述

    题目:生成对抗网络GAN综述 系别:工程物理系 姓名:王雨阳 简 介: 生成对抗网络(GAN)是目前深度学习中应用较为广泛的一种网络.在我今后的研究中,可能会用到GAN,并且我也想了解一下GAN,因此 ...

最新文章

  1. 红帽linux登陆错误,xmanager连接RedHat出错:/usr/X11R6/bin/xterm: No such file or directory
  2. 安全警报：Oracle 2018一月号安全补丁修复由来已久安全漏洞
  3. 009-mac下记事本工具 sublime text3
  4. 如何在SAP gateway系统配置路由到后台系统的OData服务路径
  5. get_metrology_object_result_contour查询计量对象的结果轮廓
  6. 前台jsp页面向后台传汉字出现乱码问题解决办法
  7. 外设驱动库开发笔记25：FM25xxx FRAM存储器驱动
  8. C++ static、const对象声明与定义 问题来源？
  9. java中如何获取当前文件的物理路径？
  10. Exchange2013 企业部署解决方案-Part 2
  11. Mustache.js语法
  12. UIKit 框架之UIScrollView
  13. draw什么计算机软件,[计算机软件及应用]化学绘图软件ChemDraw使用简介.ppt
  14. PostgreSQL13 安装
  15. 博客优化、收录、RSS技巧
  16. 工业以太网串口网关ENB-301MT
  17. C++读取csv文件
  18. 小米4充不了电处理办法(图文)小米4不能充电的维修教程
  19. java入门—第二节(1)（数据类型）
  20. Ubuntu出现 recovering journal ； /dev/sda1: clean, ***/*** files, ***/*** blocks 等信息无法开机的问题

热门文章

  1. 功耗降低技术 —— DVFS
  2. numpy.quantile
  3. WebStorm去掉编辑区的竖线
  4. 【贪心算法】Kruskal算法的实现与应用
  5. 快速掌握AsyncIO---新手入门
  6. 公路勘察设计市场现状研究分析报告 -
  7. android P MediaCodec编解码流程分析
  8. 【聚合版权】作品文件预上传接口使用说明
  9. Severlet、Cookie、Session 和 Filter 详解
  10. 2017GDCPC题解（未完）