对生成对抗网络GANs原理、实现过程、应用场景的理解（附代码），另附：深度学习大神文章列表 深度学习原理.pdf

资源内容为GAN对抗神经网络的各种常用变体。 项目源自Github：https://github.com/eriklindernoren/Keras-GAN 如果没有积分或者打不开的朋友可以联系邮箱：1454196320@qq.com 具体内容包括： 1.GAN(经典) 2.半监督生成对抗网络(SGAN) 3.边界搜索生成对抗网络(BGAN) 4.对偶生成对抗网络（DualGAN) 5.辅助分类-生成对抗网络（Auxiliary Classifier GAN） 6.基于上下文的半监督生成对抗网络(CC-GAN) 7.耦合生成对抗网络(CoGAN) 8.深度卷积生成对抗网络(DCGAN) 9.双向生成对抗网络(BiGAN) 10.信息最大化的生成对抗网络（InfoGAN） 11.最小均方误差的生成对抗网络(LSGAN) 12.Wasserstein GAN

生成对抗网络，卡通人脸数据集

很少有用生成对抗网络（GAN）来进行DEAP的脑电情绪识别。重点是构建生成对抗网络（GAN）和条件生成对抗网络（CGAN）模型。采用的是Pytorch深度学习框架。

该数据集为动漫人物头像数据集，一共有21511个动漫人物头像，供大家使用。 可以用于训练GAN,DCGAN等一系列的生成对抗神经网络的实验。具体实验方法已经更新，大家可以点击我的主页进行查看，pytorch 使用DCGAN生成动漫人物头像。 入门级实战必看的小例子，大家可以自行查看。欢迎大家进行探讨讨论，提出更优秀的训练方法。

人工智能领域 PyTorch生成对抗网络编程

使用LSGAN生成摩托车图像。 概述 在这项工作中，将光谱归一化技术应用于LSGANS，以合成新的摩托车彩色图像。 该项目的结果可能会帮助正在研究需要识别摩托车的交通识别系统的研究人员，尤其是在越南进行的研究。 实际上，摩托车是越南人日常生活中必不可少的部分，因为摩托车是越南人的主要交通工具。 建筑学 初步结果 从左至右：Epoch 0，Epoch 2000，Epoch 20000 为什么训练GAN具有挑战性？ 模式崩溃 简而言之，模式崩溃是发生器G产生有限种类的数据的情况，即，它总是为每个随机输入提供相似的输出（在这种情况下为图像）。 当鉴别器与生成器相比学习得太快时，就会发生模式崩溃。 下图显示了由生成器生成的具有模式崩溃问题的几个相似图像。 从图中可以看出，只使用了狭窄的颜色范围，这使自行车具有相似的外观。 仅使用公共Kaggle数据集时，我们遇到了这个问题。 通过添加更多数据并平衡

面向生成对抗网络的互优化，可实现可靠的语音识别

图像盲去运动模糊一直是计算机视觉领域的一个经典问题，它的目的是在模糊核未知的情况下恢复清晰图像。考虑到更大的感受野以及多尺度信息对恢复清晰图像中的全局信息以及局部细节信息具有重要作用，因此提出的方法对DeblurGAN方法进行改进，提出一种基于条件生成对抗网络的GR-DeblurGAN（granular residual DeblurGAN）的单图像盲去运动模糊方法，采用细粒度残差模块（granular residual block）作为骨干网络，以此在不增加参数量的情况下，扩大感受野，获得多尺度信息。最后在两个广泛使用的数据集：GoPro数据集以及Kohler数据集上进行算法性能评估，并与代表性算法进行对比。从实验结果可以看出，提出的方法改进效果明显，并且在计算开销上面优于其他算法。

视频监控、军事目标识别以及消费型摄影等众多领域对图像清晰度有很高的要求. 近年来, 深度神经网络在视觉和定量评估的应用研究中取得较大进展, 但是其结果一般缺乏图像纹理的细节, 边缘过度平滑, 给人一种模糊的视觉体验. 本文提出了一种基于生成对抗网络的图像清晰度提升方法. 为了更好的传递图像的细节信息, 采用改进的残差块和跳跃连接作为生成网络的主体架构, 生成器损失函数除了对抗损失, 还包括内容损失、感知损失和纹理损失. 在DIV2K数据集上的实验表明, 该方法在提升图像清晰度方面有较好的视觉体验和定量评估.