Adversarial 第8页

DC-GAN：Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks

UnsupervisedRepresentationLearningwithDeepConvolutionalGenerativeAdversarialNetworks(2015)简述：目前CNN已经在有监督学习中取得成功，本文提出的DCGANs希望能够帮助弥补CNNs在监督学习的成功和非监督学习方面之间的差距。问题or相关工作：本文使用训练有素的鉴别器进行图像分类任务，显示出与其他无监督算法的竞

用GAN得有GPU·2022-12-25 19:09

GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training阅读笔记

GANomaly:Semi-SupervisedAnomalyDetectionviaAdversarialTraining阅读笔记Abstract异常检测任务，就是当数据集由于另一类（异常）的样本量不足而高度偏向一类（正常）时，从异常中确定正常数据。由于异常情况的类别不可知同时数量较少等问题，导致有监督的分类学习问题不容易解决。所以引入半监督的学习方式。半监督的学习方式：数据集只有正常类，测试集

给个编制·2022-12-25 17:27

Practical Adversarial Attacks on Spatiotemporal Traffic Forecasting Models

PracticalAdversarialAttacksonSpatiotemporalTrafficForecastingModels基于机器学习的交通预测模型利用复杂的时空自相关性来提供城市范围的交通状态的准确预测。然而，现有方法假设一个可靠和无偏的预测环境，这在实际环境中并不总是可用。本文研究了时空流量预测模型的脆弱性，提出了一种实用的对抗时空攻击框架。具体而言，不是同时攻击所有地理分布的数据

西西弗的小蚂蚁·2022-12-24 08:15

MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks

MAD-GAN:MultivariateAnomalyDetectionforTimeSeriesDatawithGenerativeAdversarialNetworks文章目录MAD-GAN:MultivariateAnomalyDetectionforTimeSeriesDatawithGenerativeAdversarialNetworks一、引言1.背景2.论文贡献二、论文模型2.实验

程序员的账号·2022-12-24 08:10

（四）MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks

内含动画的PPT已经上传，可以在我上传的资源里看到，可免费下载论文链接：https://arxiv.org/pdf/1901.04997.pdf论文代码：https://github.com/LiDan456/MAD-GANs本文一个大的贡献是开源了两个数据集1、TheSecureWaterTreatment(SWaT）2、TheWaterDistribution(WADI)本篇论文“MAD-GA

是肉球哇·2022-12-24 08:40

论文那些事—NESTEROV ACCELERATED GRADIENT AND SCALEINVARIANCE FOR ADVERSARIAL ATTACKS

NESTEROVACCELERATEDGRADIENTANDSCALEINVARIANCEFORADVERSARIALATTACKS（ICRL2020,NI-FGSM,SIM）1、摘要在本文中，我们从将对抗性例子的生成作为一个优化过程的角度出发，提出了两种提高对抗性例子可转移性的新方法，即Nesterov迭代法快速梯度符号法(NI-FGSM)和缩放不变攻击法(SIM)。NI-FGSM的目标是将Ne

凉茶i·2022-12-23 21:54

论文那些事—ComDefend: An Efficient Image Compression Model to Defend Adversarial Examples

ComDefend:AnEfficientImageCompressionModeltoDefendAdversarialExamples（CVPR2019）1、摘要在本文中，我们提出了一种端到端的图像压缩模型来防御对抗性示例：ComDefende。该模型由压缩卷积神经网络（ComCNN）和重构卷积神经网络（RecCNN）组成。ComCNN用于保持原始图像的结构信息，并消除对抗性干扰。利用RecC

凉茶i·2022-12-23 21:24

论文那些事—Meta Gradient Adversarial Attack

MetaGradientAdversarialAttack（ICCV2021，MGAA）1、摘要受元学习思想的启发，本文提出了一种新的体系结构元梯度对抗攻击(MetaGradientAdversarialAttack,MGAA)是一种即插即用的攻击方法，可以与现有的任何一种基于梯度的攻击方法集成，以提高跨模型的可移动性。具体来说，从一个模型集合中随机抽样多个模型来组成不同的任务，并在每个任务中分别

凉茶i·2022-12-23 21:24

【论文笔记】Practical no-box Adversarial Attacks against DNNs

并不擅长自学，也不擅长做笔记…虽然自觉有点丢人，但一点一点见证自己的成长也还不错啦~所以还是把图传一下，万一又有好心的大佬给我指错了呢！

kaguya1004·2022-12-23 21:22

【论文笔记】AdvDrop: Adversarial Attack to DNNs by Dropping Information

一篇当时也没怎么看懂也没留点笔记的文章。。。Motivation我们都知道对抗扰动是在图片上添加了一些对DNN有意义但对人类无意义且大多数时间无法察觉的特征。反过来想，如果删除一些人类无法察觉但对DNN至关重要的特征呢？毕竟人类可以很容易识别信息丢失的视觉对象，甚至只有轮廓人类也可以识别。Contribution1.提出了AdvDrop这种攻击2.实验证实该攻击的有效性（targeted和non-

kaguya1004·2022-12-23 21:22

论文那些事—AdvDrop: Adversarial Attack to DNNs by Dropping Information

AdvDrop:通过丢弃信息生成对抗样本去攻击DNN（ICCV2021）1、摘要\背景人有很强的抽象能力和联想力，例如一个由几块积木拼成的乐高玩具，小朋友也能轻易认出其中描述的场景。甚至几个像素，玩家也可以轻易认出这是哪个人物，但AI确没有那么容易识别。这不就满足了对抗样本的两个特性：1、人眼无法察觉对图片的改动2、使机器能够识别错误为此，我们提出了一种新的对抗性攻击，名为AdvDrop，它通过删

凉茶i·2022-12-23 21:21

Adversarial Self-Supervised Contrastive Learning

文章目录概主要内容LinearPart代码KimM.,TackJ.&HwangS.AdversarialSelf-SupervisedContrastiveLearning.InAdvancesinNeuralInformationProcessingSystems,2020.概这篇文章提出了对比学习结合adversarialtraining的一个思路.主要内容对比学习的强大之处在于正负样本对的构

MTandHJ·2022-12-23 14:48

（AAAI2020）Adversarial Domain Adaptation with Domain Mixup论文笔记

（AAAI2020）AdversarialDomainAdaptationwithDomainMixup论文笔记文章链接代码链接基于对抗方式的对齐源域数据和目标域数据。本文提出一种mixup的对齐方式。传统的对齐方式中，直接在对齐源域和目标域的特征分布。而该方法中，构造出一些minup的数据，相当于在源域的特征和目标域的特征之间建立桥梁，逐渐对齐特征。图中表达的意思是，该方法将构造出一些mixup

SkyrimT·2022-12-23 13:50

论文翻译——Skin Lesion Synthesis with Generative Adversarial Networks

Abstract皮肤癌是目前最常见的癌症类型。早期发现是显著增加成功治疗机会的关键。目前，深度神经网络是皮肤癌自动分类的最新成果。为了进一步推动结果，我们需要解决缺乏注释数据的问题，这是昂贵的，需要专家付出很多努力。为了绕过这个问题，我们提出使用生成对抗网络生成真实的合成皮肤损伤图像。据我们所知，我们的结果是第一个展示了视觉上吸引人的合成图像，其中包含有临床意义的信息。1Introduction黑

Momoko_W·2022-12-23 11:08

ds证据理论python实现_CartoonGAN理论分析以及Python实现

http://openaccess.thecvf.com/content_cvpr_2018/html/Chen_CartoonGAN_Generative_Adversarial_CVPR_2018_

weixin_39837867·2022-12-22 19:46

基于图神经网络的对抗攻击 Nettack: Adversarial Attacks on Neural Networks for Graph Data

研究意义随着GNN的应用越来越广，在安全非常重要的应用中应用GNN，存在漏洞可能是非常严重的。比如说金融系统和风险管理，在信用评分系统中，欺诈者可以伪造与几个高信用客户的联系，以逃避欺诈检测模型；或者垃圾邮件发送者可以轻松地创建虚假的关注者，向社交网络添加错误的信息，以增加推荐和传播重大新闻的机会，或者操控在线评论和产品网站。因此，我们需要研究对图神经网络的攻击和防御，在我们真正部署一个模型前，应

苏打呀·2022-12-20 14:46

Triangle Attack: A Query-efficient Decision-based Adversarial Attack

TriangleAttack:AQuery-efficientDecision-basedAdversarialAttack三角攻击:一种查询高效的基于决策的对抗性攻击Abstract基于决策的攻击对实际应用程序构成了严重的威胁，因为它将目标模型视为一个黑箱，只访问硬预测标签。最近已经做出了很大的努力来减少查询的数量;然而，现有的基于决策的攻击仍然需要数千个查询才能生成高质量的对抗示例。在这项工作

程序媛堆堆·2022-12-20 12:47

Pre-trained Adversarial Perturbations-对抗机器学习论文

Pre-trainedAdversarialPerturbations文章目录Pre-trainedAdversarialPerturbations摘要1介绍2相关工作3方法3.1符号和问题表述3.2我们的设计4实验4.1设置4.2主要结果4.3消融实验4.3.1攻击不同层的效果4.3.2均匀高斯采样的影响4.4featuremap的可视化4.5准确率和鲁棒性之间的权衡5讨论5.1准备工作5.2解

冰羽vee9·2022-12-19 18:00

Understanding and Increasing Efficiency of Frank-Wolfe Adversarial Training

AT存在灾难性的过拟合，在训练过程中对抗精度下降，尽管已经提出了改进，但它们增加了训练时间，鲁棒性与多步AT相去甚远。我们开发了一个使用FW优化(FW-AT)进行对抗训练的理论框架，揭示了损失情况与ℓ∞FW攻击的ℓ2失真之间的几何联系。我们分析表明，FW攻击的高失真相当于攻击路径上的小梯度变化。然后在各种深度神经网络架构上通过实验证明，针对鲁棒模型的ℓ∞攻击实现了接近最大的失真，而标准网络具有较低

你今天论文了吗·2022-12-19 14:46

Enhancing Adversarial Training with Second-Order Statistics of Weights

利用二阶权重统计增强对抗训练对抗训练已被证明是提高深度神经网络鲁棒性的最有效方法之一。它被形式化为对模型权重和对抗性扰动的最小-最大优化，其中权重可以通过梯度下降方法（如SGD）进行优化。在本文中，我们证明了将模型权重视为随机变量允许通过关于权重的二阶统计优化（S2O）来增强对抗性训练。通过放宽先前PAC贝叶斯框架中所有权重都是统计独立的常见（但不现实）假设，我们导出了一个改进的PAC贝叶斯对抗性

你今天论文了吗·2022-12-19 14:16

Bi-Modality Medical Image Synthesis Using Semi-Supervised Sequential Generative Adversarial Networks

Bi-ModalityMedicalImageSynthesisUsingSemi-SupervisedSequentialGenerativeAdversarialNetworks论文阅读中的问题和思考1.有监督的串行GAN网络结构在图示的网络结果中，G1的输入是真实图像编码后的结果，而非直接输入真实图像。这个应该是VAE(VariationalAutoencoder,变分自动编码器)和GAN的

liyiersan123·2022-12-17 22:39

对抗生成网络代码Generative Adversarial Networks (GANs)，Vanilla GAN，Deeply Convolutional GANs

理论部分：CS231n2022PPT笔记-生成模型GenerativeModeling_iwill323的博客-CSDN博客目录导包加载数据VanillaGANDiscriminatorGeneratorGANLossbcelossOptimizing主函数运行GANLeastSquaresGAN训练DeeplyConvolutionalGANsDiscriminatorGenerator训练需要

iwill323·2022-12-16 08:02

[CVPR2019]GANFIT: Generative Adversarial Network Fitting for High Fidelity 3D Face Reconstruction

标题：GANFIT:GenerativeAdversarialNetworkFittingforHighFidelity3DFaceReconstruction链接：https://arxiv.org/pdf/1902.05978这篇文章处理的问题就是从一张2D图片恢复人脸3D形状的问题，使用了经典的3DMM框架，最大的亮点就是在生成纹理图的时候用了GAN。模型输入的三个参数其实可以分为两个部分，

深蓝蓝蓝蓝蓝·2022-12-15 22:32

GANFIT: Generative Adversarial Network Fitting for High Fidelity 3D Face Reconstruction

1.论文大致介绍论文是基于GAN网络的高精度、基于单张图片的人脸三维重建，重建效果如下图所示我们可以看到人脸的细节还原得特别详细，总而言之，本篇论文的特点如下与传统生成3dmm的颜色系数的方法不同，本文使用GAN网络生成一张高分辨率的人脸UV纹理图，代替3dmm颜色系数来表示人脸的纹理，因此能够还原出很多详细的细节基于设计的GAN网络与可微渲染器（三维的物体渲染成二维图像的时候，其实本质上是进行了

理想很丰满，现实很骨感·2022-12-15 22:25

CVPR_2021_Fast-GANFIT: Generative Adversarial Networkfor High Fidelity 3D Face Reconstruction

摘要在本文中，我们采用了一种完全不同的方法，利用生成对抗网络（GANs）和DCNNs的能力，从单幅图像中重建面部纹理和形状。即利用GANS从一个大规模的三维纹理数据集中训练出一个非常强大的人脸纹理先验。在此基础上，我们利用非线性优化方法对原有的三维可变形模型(3DMMS)拟合进行了研究，找到了能够在新的视角下重建测试图像的最优潜在参数。为了对初始化具有鲁棒性和加速拟合过程，我们提出了一种新的基于自

Nicholas Sc·2022-12-15 22:16

StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation

#Problemexistingmodelsarebothinefficientandineffectiveinsuchmulti-domainimagetranslationtasksincapableofjointlytrainingdomainsfromdifferentdatasetsNewmethodStargan,anovelandscalableapprochthatcanperfo

肉鸡小龙·2022-12-15 09:17

论文阅读Reconstructing CT from Biplanar X-Rays with Generative Adversarial Networks

ReconstructingCTfromBiplanarX-RayswithGenerativeAdversarialNetworks基于生成对抗网络的双平面x线重建CT来源：CVPR2019作者单位：腾讯，浙江大学，上海交通大学摘要计算机断层扫描(CT)可以提供患者内部器官的3D视图，有助于疾病诊断，但它会给患者带来更多的辐射剂量，而且CT扫描仪的成本也比x光机高得多。传统的CT重建方法需要通过

A2333fun·2022-12-15 09:45

[论文笔记]UNDERSTANDING AND ENHANCING THE TRANSFERABILITY OF ADVERSARIAL EXAMPLES

研究背景在对抗攻击中，对抗样本可迁移性是人们关注的一个点。黑盒攻击的成功率一直不高，这背后的攻击机制需要探索，并且需要改进攻击效果。主要贡献本文从两个角度分析了影响对抗样本可迁移性的因素：模型本身性质和构造对抗样本时的loss函数的局部光滑性本文提出了一种提升黑盒攻击成功率的方法，variance-reducedattack。主要方法1、模型本身性质对于对抗样本迁移性的影响（1）模型结构作者主要研

study0098·2022-12-13 02:05

最优传输论文(五)Multi-Adversarial Domain Adaptation

前言这篇文章是根据经典DANN衍生出来的，DANN是只有一个域鉴别器，而MADA对应每个类都有一个域鉴别器，基本原理都一样，建议先看看DANN，学会梯度翻转层，看明白代码再来看这篇文章。需要注意的一点操作是给生成特征Gf(x)进行加权得到yki*Gf(xi),不仅能将无关的类通过概率过滤掉，而且能训练出不同的每个Gkd对应的θkd，将每个点xi与最相关的类进行对齐，避免了负迁移。Introduct

shawchan9·2022-12-12 16:56

GAIN: Missing Data Imputation using Generative Adversarial Nets学习笔记

GAIN:MissingDataImputationusingGenerativeAdversarialNets（基于对抗生成网络实现缺失数据插补）缺失数据插补算法问题背景缺失数据插补算法GenerativeModel的局限概括GAIN的创新点和组成问题公式化表述GAIN架构源数据生成器生成器输入缺失数据插补算法问题背景缺失数据缺失数据是一个普遍的问题。数据可能会因为没有被收集、记录而丢失。比方说

Bruce D·2022-12-11 13:53

文献阅读—GAIN：Missing Data Imputation using Generative Adversarial Nets

文章提出了一种填补缺失数据的算法—GAIN。生成器G观测一些真实数据，并用真实数据预测确实数据，输出完整的数据；判别器D试图去判断完整的数据中，哪些是观测到的真实值，哪些是填补的值。给D提供一些额外的提示信息，保证G可以学习期望的分布。提示向量向D透露了原始数据的部分信息。在多个数据集上测试了算法，算法效果较好。一.引言1.缺失数据可以分成三类：MCAR：完全随机缺失，数据的缺失不依赖于任何不完全

一颗豆苗苗·2022-12-11 12:20

基于CNN对抗嵌入的图像隐写——CNN-Based Adversarial Embedding for Image Steganography

CNN-BasedAdversarialEmbeddingforImageSteganographyhttps://ieeexplore.ieee.org/abstract/document/8603808这篇论文发表在TIFS（IEEETRANSACTIONSONINFORMATIONFORENSICSANDSECURITY），TIFS是网络与信息安全领域的国际两大顶级期刊之一，中国计算机学会（

Jhouery·2022-12-11 12:55

Adversarial Attack

一Attack一个已经被训练好的神经网络用于现实世界中时，该神经网络可能会被攻击。例如当一个输入图像增加一些非常小的变化，神经网络的输出会发生变化，不再是目标结果。根据神经网络输出的结果可分为以下两种类型：Non-targeted：输出的结果可以是任意不同于原来的结果。Targeted：输出的结果是特定的类型对于Non-targeted的攻击类型，我们需要神经网络输出的结果与真实值越远越好；对于T

ゆる·2022-12-11 00:25

【对抗攻击论文笔记】Decision-Based Adversarial Attack With Frequency Mixup

文章目录MotivationContributionsMethod1.boundarydetection2.f-mixup3.f-attack4.frequencybinarysearchResultMotivation首先基于决策的攻击通常会进行过多的查询，这样就导致了攻击容易被发现，另外很多攻击无法有效地绕过检测。所以本文的目的就是研究更隐蔽和查询效率更高的基于决策的攻击。其次，我们知道自然图

nanyidev·2022-12-11 00:24

面向自然语言处理的对抗攻防与鲁棒性分析综述 Survey of Adversarial Attack, Defense and Robustness Analysis for Natural Lang

6.面向自然语言处理的对抗攻防与鲁棒性分析综述SurveyofAdversarialAttack,DefenseandRobustnessAnalysisforNaturalLanguageProcessing摘要：随着人工智能技术的飞速发展，深度神经网络在计算机视觉、信号分析和自然语言处理等领域中都得到了广泛应用.自然语言处理通过语法分析、语义分析、篇章理解等功能帮助机器处理、理解及运用人类语言

daisyxyr·2022-12-11 00:54

对抗攻击Adversarial Attack

参考链接：（1）对抗攻击常见方法汇总https://blog.csdn.net/qq_43367558/article/details/121694626（2）对抗性样本攻击方法汇总https://zhuanlan.zhihu.com/p/136304195（3）对抗样本攻击方法总结对抗样本攻击方法总结_huitailangyz的博客-CSDN博客_对抗样本攻击一、对抗攻击常见方法汇总对抗样本的攻

Jxufe渣渣斯·2022-12-11 00:53

【机器学习】李宏毅——Adversarial Attack（对抗攻击）

研究这个方向的动机，是因为在将神经网络模型应用于实际场景时，它仅仅拥有较高的正确率是不够的，例如在异常检测中、垃圾邮件分类等等场景，那些负类样本也会想尽办法来“欺骗”模型，使模型无法辨别出它为负类。因此我们希望我们的模型能够拥有应对这种攻击的能力。HowtoAttack通过影像辨识的例子来解释如何进行攻击。假设我们已经训练了一个图像的分类器，对于我们下图中输入的图片它能够分辨出来是一只猫；那么我们

FavoriteStar·2022-12-11 00:53

深度学习(十三) Adversarial Attack 理论部分

AdversarialAttack理论部分前言一、AdversarialAttack的用途是什么？二、AdversarialAttack的分类三、如何实现AdversarialAttack?1.对于non-targetattack而言2.对于targetedattack而言3.训练模型4.BlackBoxAttack5.“Backdoor”inModel四、Defense1.PassiveDefe

Ali forever·2022-12-11 00:23

对抗攻击（Adversarial Attack）

文章目录对抗攻击对抗防御对抗攻击图片可以看成一个很长的向量，如果在图片的每个像素上都加上一个很小的pertubation(扰动、杂讯)，再把它输入到神经网络，这个时候分类器可能就会误判。没有被攻击的图片一般称为BenignImage，被攻击的图片称为AttackedImage。通常攻击可以分为定向攻击和非定向攻击：定向攻击（targetedattack)：误分类成一个特定的类非定向攻击(non-t

nanyidev·2022-12-11 00:53

InfoMax-GAN: 通过信息最大化（Information Maximization）和对比学习（Contrastive Learning）改进对抗（Adversarial）图像生成

目录0.摘要1.介绍2.背景3.InfoMax-GAN3.1框架3.2ContrastiveLoss3.3缓解CatastrophicForgetting3.4缓解ModeCollapse4.Experiment4.1ExperimentSettings4.2生成性能评估4.3TrainingStability4.4低计算量4.5消融实验（AblationStudies）5.补充：谱归一化（spe

EDPJ·2022-12-10 21:05

Fairness-aware Adversarial Perturbation Towards Bias Mitigation for Deployed Deep Models[论文笔记]

对抗性扰动能提升公平性？！在arxiv上看到一篇用对抗样本来做公平性提升的论文，fairness-awareAdversarialPerturbationTowardsBiasMitigationforDeployedDeepModels，被CVPR2022接收。arxiv链接简介文章解决的问题：提升深度学习模型的公平性现有方案劣势：现有的深度学习模型公平性提升方案，更多的是讨论如何训练出一个公平

威化饼的一隅·2022-12-10 21:02

KDD2018《Adversarial Attacks on Neural Networks for Graph Data》论文详解

AdversarialAttacksonNeuralNetworksforGraphData论文链接：https://arxiv.org/pdf/1805.07984.pdfevasionattack&poisoningattackAbstract本文介绍了第一个在属性图上进行对抗攻击的研究，特别关注利用图卷积的思想模型。除了在测试阶段进行攻击，本文进行了更具挑战的poisoningattack（

Anonymous-·2022-12-10 19:42

Generative Adversarial Nets 阅读笔记

论文重要内容节选1IntroductionThepromiseofdeeplearningistodiscoverrich,hierarchicalmodelsthatrepresentprobabilitydistributionsoverthekindsofdataencounteredinartificialintelligenceapplications,suchasnaturalimag

isinstance·2022-12-10 13:17

最优传输论文(三) Normalized Wasserstein for Mixture Distributions with Applications in Adversarial Learning

前言对于混合物分布，已建立的距离度量，如Wasserstein距离，没有考虑到不平衡的混合物比例。因此，即使两个混合物分布具有相同的混合物成分但不同的混合物比例，它们之间的Wasserstein距离也会很大。在本文中，我们通过引入归一化Wasserstein测度来解决这个问题。其关键思想是引入混合比例作为优化变量，有效地规范化Wasserstein公式中的混合比例。两个分布PX和PY之间的Wass

shawchan9·2022-12-10 12:08

Attentive Generative Adversarial Network for Raindrop Removal from A Single Image 阅读笔记

AttentiveGenerativeAdversarialNetworkforRaindropRemovalfromASingleImage去雨不是我的方向，读这篇论文的主要目的在于它同时用到了注意力机制和LSTM网络结构是这样的：attention的机制是这样的：生成的attentionmap居然是concate到下一个时间步上，concatenate能起到attention的作用吗？想象一下

sysu_first_yasuo·2022-12-08 15:11

【论文阅读】Attentive Generative Adversarial Network for Raindrop Removal from A Single Image

论文发表于CVPR2018，主要解决去除雨点（raindrop）的问题。这个问题不好解决的一大原因是，没有关于图像中被雨点污染的区域所在位置的信息。该论文的主要创新点则基于此，向GAN的生成器和判别器中均加入了注意力机制，学习雨区及其附近区域。生成器中的注意力更多关注雨区及其附近位置，判别器中的注意力用于评估修复区域的局部一致性。论文链接官方pytorch代码（无train代码）非官方tf代码（有

GillianZhu·2022-12-08 15:39

论文阅读：Attentive Generative Adversarial Network for Raindrop Removal from A Single Image

顺手把这两篇比较相像的GAN网络整理一下。心有猛虎，细嗅蔷薇。2018CVPR：AttentiveGAN本篇文章是2018年一篇CVPR，主要是针对雨滴Raindrop的去除提出了一种方法，在GAN网络中引入注意力机制，将生成的注意力图和原始有雨图像一起输入，完成去雨。是北大JiayingLiu老师课题组的一篇文章，同组比较知名的去雨方面研究还有杨文瀚。作者源代码：戳我python3.5复现代码：

行走的歌·2022-12-08 15:08

云检测2020：用于高分辨率遥感图像中云检测的自注意力生成对抗网络Self-Attentive Generative Adversarial Network for Cloud Detection

用于高分辨率遥感图像中云检测的自注意力生成对抗网络Self-AttentiveGenerativeAdversarialNetworkforCloudDetectioninHighResolutionRemoteSensingImages0.摘要1.概述2.方法2.1.拟议方法的框架2.2.扩展和翻译2.3.减少和恢复2.4.优化参考文献0.摘要云检测是遥感图像处理中的一个重要步骤。大多数基于卷积

HheeFish·2022-12-08 15:07

【论文阅读】ARGAN: Attentive Recurrent Generative Adversarial Network for Shadow Detection and Removal

一些名词ARGAN（attentiverecurrentgenerativeadversarialnetwork）细心的递归生成对抗网络？？？shadowattentiondetection阴影关注检测attentionmap注意图，表示图像中的阴影区域illumination光照inference推理modify修改manipulation操作incorporate结合regression回归，

事情总会解决的吧·2022-12-08 15:35

Attentive Generative Adversarial Network for Raindrop Removal from A Single Image摘要翻译

文章题目：AttentiveGenerativeAdversarialNetworkforRaindropRemovalfromASingleImage链接：link.摘要：Raindropsadheredtoaglasswindoworcameralenscanseverelyhamperthevisibilityofabackgroundsceneanddegradeanimageconsid

爱吃橙子的牧羊女·2022-12-08 15:04

推荐频道

Adversarial