不可错过的 GAN 资源：教程、视频、代码实现、89 篇论文下载

• NIP 2016 对抗训练 Workshop

  　　【网页】https://sites.google.com/site/nips2016adversarial/

  　　【博客】http://www.inference.vc/my-summary-of-adversarial-training-nips-workshop/

　　教程 & 博客

• 如何训练 GAN？ 让 GAN 工作的提示和技巧

  　　【博客】https://github.com/soumith/ganhacks

• NIPS 2016 教程：生成对抗网络

  　　【arXiv】https://arxiv.org/abs/1701.00160

• 深度学习和 GAN 背后的直觉知识——一个基础理解

  　　【博客】https://blog.waya.ai/introduction-to-gans-a-boxing-match-b-w-neural-nets-b4e5319cc935

• OpenAI——生成模型

  　　【博客】https://openai.com/blog/generative-models/

• SimGANs——无监督学习的游戏规则颠覆者，无人车等

  　　【博客】https://blog.waya.ai/simgans-applied-to-autonomous-driving-5a8c6676e36b

　　论文

　　理论 & 机器学习

• 生成对抗网络，逆向强化学习和 Energy-Based 模型之间的联系（A Connection between Generative Adversarial Networks, Inverse Reinforcement Learning, and Energy-Based Models ）

• 可扩展对抗分类的通用训练框架（A General Retraining Framework for Scalable Adversarial Classification）

• 对抗自编码器（Adversarial Autoencoders）

• 对抗判别的领域适应（Adversarial Discriminative Domain Adaptation）

• 对抗性 Generator-Encoder 网络（Adversarial Generator-Encoder Networks）

• 对抗特征学习（Adversarial Feature Learning）

  　　【代码】https://github.com/wiseodd/generative-models

• 对抗推理学习（Adversarially Learned Inference）

  　　【代码】https://github.com/wiseodd/generative-models

• 结构化输出神经网络半监督训练的一种对抗正则化（An Adversarial Regularisation for Semi-Supervised Training of Structured Output Neural Networks）

• 联想式对抗网络（Associative Adversarial Networks）

• b-GAN：生成对抗网络的一个新框架（b-GAN: New Framework of Generative Adversarial Networks）

  　　【代码】https://github.com/wiseodd/generative-models

• 边界寻找生成对抗网络（Boundary-Seeking Generative Adversarial Networks）

  　　【代码】https://github.com/wiseodd/generative-models

• 条件生成对抗网络（Conditional Generative Adversarial Nets）

  　　【代码】https://github.com/wiseodd/generative-models

• 结合生成对抗网络和 Actor-Critic 方法（Connecting Generative Adversarial Networks and Actor-Critic Methods）

• 描述符和生成网络的协同训练（Cooperative Training of Deor and Generator Networks）

• Coupled Generative Adversarial Networks（CoGAN）

  　　【代码】https://github.com/wiseodd/generative-models

• 基于能量模型的生成对抗网络（Energy-based Generative Adversarial Network）

  　　【代码】https://github.com/wiseodd/generative-models

• 对抗样本的解释和利用（Explaining and Harnessing Adversarial Examples）

• f-GAN：使用变分发散最小化训练生成式神经采样器（f-GAN: Training Generative Neural Samplers using Variational Divergence Minimization）

• Gang of GANs: Generative Adversarial Networks with Maximum Margin Ranking

• 用递归对抗网络乘车图像（Generating images with recurrent adversarial networks）

• Generative Adversarial Nets with Labeled Data by Activation Maximization

• 生成对抗网络（Generative Adversarial Networks）

  　　【代码】https://github.com/goodfeli/adversarial

  　　【代码】https://github.com/wiseodd/generative-models

• 生成对抗并行化（Generative Adversarial Parallelization）

  　　【代码】https://github.com/wiseodd/generative-models

• One Shot学习的生成性对抗残差成对网络（Generative Adversarial Residual Pairwise Networks for One Shot Learning）

• 生成对抗结构化网络（Generative Adversarial Structured Networks）

• 生成式矩匹配网络（Generative Moment Matching Networks）

  　　【代码】https://github.com/yujiali/gmmn

• 训练GAN的改进技术（Improved Techniques for Training GANs）

  　　【代码】https://github.com/openai/improved-gan

• 改善训练WGAN（Improved Training of Wasserstein GANs）

  　　【代码】https://github.com/wiseodd/generative-models

• InfoGAN：通过信息最大化GAN学习可解释表示（InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets）

  　　【代码】https://github.com/wiseodd/generative-models

• 翻转GAN的生成器（Inverting The Generator Of A Generative Adversarial Network）

• 隐式生成模型里的学习（Learning in Implicit Generative Models）

• 用GAN学习发现跨域关系（Learning to Discover Cross-Domain Relations with Generative Adversarial Networks）

  　　【代码】https://github.com/wiseodd/generative-models

• 最小二乘生成对抗网络，LSGAN（Least Squares Generative Adversarial Networks）

  　　【代码】https://github.com/wiseodd/generative-models

• LS-GAN，损失敏感GAN（Loss-Sensitive Generative Adversarial Networks on Lipschitz Densities）

• LR-GAN：用于图像生成的分层递归GAN（LR-GAN: Layered Recursive Generative Adversarial Networks for Image Generation）

• MAGAN: Margin Adaptation for Generative Adversarial Networks

  　　【代码】https://github.com/wiseodd/generative-models

• 最大似然增强的离散生成对抗网络（Maximum-Likelihood Augmented Discrete Generative Adversarial Networks）

• 模式正则化GAN（Mode Regularized Generative Adversarial Networks）

  　　【代码】https://github.com/wiseodd/generative-models

• Multi-Agent Diverse Generative Adversarial Networks

• 生成对抗网络中Batch Normalization和Weight Normalization的影响（On the effect of Batch Normalization and Weight Normalization in Generative Adversarial Networks）

• 基于解码器的生成模型的定量分析（On the Quantitative Analysis of Decoder-Based Generative Models）

• SeqGAN：策略渐变的序列生成对抗网络（SeqGAN: Sequence Generative Adversarial Nets with Policy Gradient）

• 深度网络的简单黑箱对抗干扰（Simple Black-Box Adversarial Perturbations for Deep Networks）

• Stacked GAN（Stacked Generative Adversarial Networks）

• 通过最大均值差异优化训练生成神经网络（Training generative neural networks via Maximum Mean Discrepancy optimization）

• Triple Generative Adversarial Nets

• Unrolled Generative Adversarial Networks

• DCGAN无监督表示学习（Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks）

  　　【代码】https://github.com/Newmu/dcgan_code

  　　【代码】https://github.com/pytorch/examples/tree/master/dcgan

  　　【代码】https://github.com/carpedm20/DCGAN-tensorflow

  　　【代码】https://github.com/jacobgil/keras-dcgan

• Wasserstein GAN（WGAN）

  　　【代码】https://github.com/martinarjovsky/WassersteinGAN

  　　【代码】https://github.com/wiseodd/generative-models

　　视觉应用

• 用对抗网络检测恶性前列腺癌（Adversarial Networks for the Detection of Aggressive Prostate Cancer）

• 条件对抗自编码器的年龄递进/回归（Age Progression / Regression by Conditional Adversarial Autoencoder）

• ArtGAN：条件分类GAN的艺术作品合成（ArtGAN: Artwork Synthesis with Conditional Categorial GANs）

• Beyond Face Rotation: Global and Local Perception GAN for Photorealistic and Identity Preserving Frontal View Synthesis

• 卷积人脸生成的条件GAN（Conditional generative adversarial nets for convolutional face generation）

• 辅助分类器GAN的条件图像合成（Conditional Image Synthesis with Auxiliary Classifier GANs）

  　　【代码】https://github.com/wiseodd/generative-models

• 使用对抗网络的Laplacian金字塔的深度生成图像模型（Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks）

  　　【代码】https://github.com/facebook/eyescream

  　　【博客】http://soumith.ch/eyescream/

• Deep multi-scale video prediction beyond mean square error

  　　【代码】https://github.com/dyelax/Adversarial_Video_Generation

• DualGAN：图像到图像翻译的无监督Dual学习（DualGAN: Unsupervised Dual Learning for Image-to-Image Translation）

  　　【代码】https://github.com/wiseodd/generative-models

• 用循环神经网络做全分辨率图像压缩（Full Resolution Image Compression with Recurrent Neural Networks）

• 生成以适应：使用GAN对齐域（Generate To Adapt: Aligning Domains using Generative Adversarial Networks）

• 生成对抗文本到图像的合成（Generative Adversarial Text to Image Synthesis）

  　　【代码】https://github.com/paarthneekhara/text-to-image

• 自然图像流形上的生成视觉操作（Generative Visual Manipulation on the Natural Image Manifold）

  　　【项目】http://www.eecs.berkeley.edu/~junyanz/projects/gvm/

  　　【视频】https://youtu.be/9c4z6YsBGQ0

  　　【代码】https://github.com/junyanz/iGAN

• Image De-raining Using a Conditional Generative Adversarial Network

• Image Generation and Editing with Variational Info Generative Adversarial Networks

• 用条件对抗网络做 Image-to-Image 翻译（Image-to-Image Translation with Conditional Adversarial Networks）

  　　【代码】https://github.com/phillipi/pix2pix

• 用GAN模仿驾驶员行为（Imitating Driver Behavior with Generative Adversarial Networks）

• 可逆的条件GAN用于图像编辑（Invertible Conditional GANs for image editing）

• 学习驱动模拟器（Learning a Driving Simulator）

• 多视角GAN（Multi-view Generative Adversarial Networks）

• 利用内省对抗网络编辑图片（Neural Photo Editing with Introspective Adversarial Networks）

• 使用GAN生成照片级真实感的单一图像超分辨率（Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network）

• Recurrent Topic-Transition GAN for Visual Paragraph Generation

• RenderGAN：生成现实的标签数据（RenderGAN: Generating Realistic Labeled Data）

• SeGAN: Segmenting and Generating the Invisible

• 使用对抗网络做语义分割（Semantic Segmentation using Adversarial Networks）

• 半隐性GAN：学习从特征生成和修改人脸图像（Semi-Latent GAN: Learning to generate and modify facial images from attributes）

• TAC-GAN - 文本条件辅助分类器GAN（TAC-GAN - Text Conditioned Auxiliary Classifier Generative Adversarial Network）

• 通过条件GAN实现多样化且自然的图像描述（Towards Diverse and Natural Image Deions via a Conditional GAN）

• GAN 提高人的体外识别基线的未标记样本生成（Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro）

• Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks

• 无监督异常检测，用GAN指导标记发现（Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery）

• 无监督跨领域图像生成（Unsupervised Cross-Domain Image Generation）

• WaterGAN：实现单目水下图像实时颜色校正的无监督生成网络（WaterGAN: Unsupervised Generative Network to Enable Real-time Color Correction of Monocular Underwater Images）

　　其他应用

• 基于生成模型的文本分类的半监督学习方法（Adversarial Training Methods for Semi-Supervised Text Classification）

• 学习在面对对抗性神经网络解密下维护沟通保密性（Learning to Protect Communications with Adversarial Neural Cryptography）

  　　【博客】http://t.cn/RJitWNw

• MidiNet：利用 1D 和 2D条件实现符号域音乐生成的卷积生成网络（MidiNet: A Convolutional Generative Adversarial Network for Symbolic-domain Music Generation using 1D and 2D Conditions）

• 使用生成对抗网络重建三维多孔介质（Reconstruction of three-dimensional porous media using generative adversarial neural networks）

  　　【代码】https://github.com/LukasMosser/PorousMediaGan

• Semi-supervised Learning of Compact Document Representations with Deep Networks

• Steganographic GAN（Steganographic Generative Adversarial Networks）

　　Humor

• 停止 GAN 暴力：生成性非对抗网络（Stopping GAN Violence: Generative Unadversarial Networks）

　　视频

• Ian Goodfellow：生成对抗网络

  　　【视频】http://t.cn/RxxJF5A

• Mark Chang：生成对抗网络教程

  　　【视频】http://t.cn/RXJOKK1

　　代码

• Cleverhans：一个对抗样本的机器学习库

  　　【代码】https://github.com/openai/cleverhans

  　　【博客】http://cleverhans.io/

• 50行代码实现GAN（PyTorch）

  　　【代码】https://github.com/devnag/pytorch-generative-adversarial-networks

  　　【博客】https://medium.com/@devnag/generative-adversarial-networks-gans-in-50-lines-of-code-pytorch-e81b79659e3f

• 生成模型集，e.g. GAN, VAE，用 Pytorch 和 TensorFlow 实现

  　　【代码】https://github.com/wiseodd/generative-models

　　【进入新智元微信公众号，在对话框输入“170501”下载全部 89 篇论文】

　　原文地址：https://github.com/nightrome/really-awesome-gan