adversarial 第15页

[Paper note] Learning from Simulated and Unsupervised Images through Adversarial Training

paperThisis(probably?)thefirstpaperfromAppleinML/CVfieldContributionProposeSimulate+Unsupervisedtraining,usingrealworldimagestorefinethesyntheticimages,withGANTrainingGANusingadversariallossandaself-r

chn13·2020-08-22 01:49

对抗生成网络 Generative Adversarial Networks

1.Basicidea基本任务：要得到一个generator，能够模拟想要的数据分布。(一个低维向量到一个高维向量的映射）discriminator就像是一个scorefunction。如果想让generator生成想要的目标数据，就把这些真实数据作为discriminator的输入，discriminator的另一部分输入就是generator生成的数据。1.初始化generator和discr

albyc22660·2020-08-22 01:49

生成对抗网络GAN系列（二）--- Conditional Generative Adversarial Nets（cGAN 条件GAN）--- 文末附代码

生成对抗网络GAN系列（二）---ConditionalGenerativeAdversarialNets（cGAN条件GAN）---文末附代码ConditionalGenerativeAdversarialNets论文链接：https://arxiv.org/abs/1411.17841.简介ConditionalGAN是在原始GAN之后一个比较早的改进版，虽然改动确实很简单，但是idea还是非

Teeyohuang·2020-08-22 01:31

论文笔记：Generative Adversarial Nets

论文地址：https://arxiv.org/abs/1406.2661GAN，顾名思义，生成对抗网络。网络由两部分组成，generativemodelG和discriminativemodelD，整个网络的主要功能就是通过不断迭代，使得G网络的生成数据分布趋近于真实数据分布，最终达到D网络的判别概率趋近1/2。由上式可以看出，G和D的训练其实就是关于函数V(D,G)的极小极大化问题。其中，D(x

Rookie@·2020-08-22 00:16

阅读小结：InfoGAN:Interpretable Representation Learning by Information Maximising Generative Adversarial

之前GAN中都没有加入分类信息，都是耍流氓啊。用原始maxD的时候，G学到的容易收敛到一个固定图像。而用featurematching的话，相同向量可能每次match的都不同，这怎么regression啊，摔（也可能我是用姿势不对，但有多类的featurematching不靠谱啊）What:1.通常GAN把一个随机噪声向量z生成为一张图像。z可能从一个0到1的随机采样构成。2.这样连累了GAN中的

Layumi1993·2020-08-22 00:42

Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network（SRGAN）

zzwwllii·2020-08-22 00:07

SRGAN:Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

Photo-RealisticSingleImageSuper-ResolutionUsingaGenerativeAdversarialNetworkChristianLedig,LucasTheis,FerencHuszár,JoseCaballero,AndrewAitken,AlykhanTejani,JohannesTotz,ZehanWang,WenzheShi2016年CVPR的文章

沐阳听风666·2020-08-22 00:19

每日论文 Learning from Simulated and Unsupervised Images through Adversarial Training

苹果首发用没有标签的真实人眼数据通过训练一个模拟器提炼网络（生成器）去提炼生成的人眼图片，增加生成人眼图片的真实性。用一个对抗损失和一个自正则化损失函数去优化训练过程。这个优化方程优化生成器R，同时增加了约束项，将提炼的人眼和生成的人眼就行L1范式最小化。这个优化方法优化辨别器，除了用生成的人眼数据使得值最小，还用到真实的人眼数据优化使得值最大。为了增加真实效果，还进行了局部辨别器处理和缓存提炼图

Tygrer·2020-08-22 00:40

每日论文InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial

转载地址：http://hacker.duanshishi.com/?p=1766InfoGANInfoGAN是一种能够学习disentangledrepresentation的GAN(https://arxiv.org/pdf/1606.03657v1.pdf)，何为disentangledrepresentation？比如人脸数据集中有各种不同的属性特点，如脸部表情、是否带眼睛、头发的风格眼珠

Tygrer·2020-08-22 00:40

DL | GAN: Generative Adversarial Nets 生成对抗网络算法学习

题外话：本文是生成对抗网络GAN的基础理论学习的笔记，主要是基于Goodfellow于2014年发表的论文GenerativeAdversarialNets。话说GAN已经火了这么多年，今天才提笔写笔记真是不好意思，然后刚才突然惊奇地发现，今天是GAN论文release在arXiv上正好整整五年。2014年6月10日，IanGoodfellow向学术界发表了他同导师头脑风暴之下设计的对抗网络结构，

1LOVESJohnny·2020-08-22 00:14

生成对抗网络(六)----------Image Denoising Using a Generative Adversarial Network(用GAN对图像去噪)

前言这是一篇关于使用GAN对图像降噪的论文，我翻译了论文，也看了代码，以下是github链接：GAN去噪。我看懂了论文，这确实是一篇很好的论文。使用当下最火的GAN对图像进行去噪。也是一个开创性的想法。文中的损失函数与以往的不同。但是其他思想与传统GAN都是类似的。读完论文之后，我下载了相关代码，但是在代码中我遇到了问题。想要训练模型，却没有跑起来。如果你将代码跑起来了。可以在下面留言。我们一起交

勤奋的小学生·2020-08-22 00:40

Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

Photo-RealisticSingleImageSuper-ResolutionUsingaGenerativeAdversarialNetworkLedigC,TheisL,HuszarF,etal.Photo-RealisticSingleImageSuper-ResolutionUsingaGenerativeAdversarialNetwork[J].2016.Abstract尽管采用

c2a2o2·2020-08-22 00:02

文献阅读: ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks

文章地址：https://arxiv.org/abs/1809.00219作者的项目地址：https://github.com/xinntao/ESRGAN1.简单介绍这是一篇ECCVW2018的文章，并获得了PIRM-SR(ThirdRegion)的冠军，作者是在SRGAN的基础上做了三点改进：改进了生成器网络，在生成器中使用一种不带BN的Residual-in-ResidualDenseBlo

alxe_made·2020-08-22 00:57

Adversarial Nets Papers

https://github.com/zhangqianhui/AdversarialNetsPapersAdversarialNetsPapersTheclassicalPapersaboutadversarialnetsTheFirstpaper[GenerativeAdversarialNets][Paper][Code](thefirstpaperaboutit)Unclassified[

算法学习者·2020-08-22 00:12

Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

Photo-RealisticSingleImageSuper-ResolutionUsingaGenerativeAdversarialNetwork基于生成对抗网络的照片级真实感的单一图像超分辨率重建论文的主要贡献主要贡献是一个全新的损失函数，能使训练的网络从大幅降低采样率的低分辨率图像中还原出逼真的图像质感和细节。主要方法定义的新的感知损失函数可以分为两部分：对抗损失和内容损失。对抗损失鼓励

我xihuan·2020-08-22 00:59

每日论文Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

这篇文章用了深度残差网络同时用到GANs的概念构建的超分辨神经网络模型。主要贡献点：1.构建由MSE优化的16blocks残差网络（SRResNet）。2.SRGAN网络游GAN构建的网络。3.MOS测试在3个数据库上SRGAN都不错的效果。GAN的感知损失函数，除了GAN损失函数外还有基于内容的损失函数。内容的损失函数有两种，一种是MSE，还有一种是对VGG19的层卷积的结果求方差的损失函数。网

Tygrer·2020-08-22 00:59

【超分辨率】Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

之前我一直在做基于CNN的超分辨率研究。最近因为工作需要，需要研究基于生成对抗网络GAN的网络来做超分辨率任务。在这段时间以来，我发现CNN和GAN两类网络的侧重点其实完全不同。CNN旨在于忠实的恢复图像的高频信息，而GAN在于生成更真实或者说更符合人眼的高分辨率图片。本文论文名：《Photo-RealisticSingleImageSuper-ResolutionUsingaGenerative

Shwan_Ma·2020-08-22 00:58

CV | SRGAN论文笔记：Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

题外话时隔一年多，距离第一篇SRCNN超分系列的文章再更新>.<随着22个月的过去，超分在工业界的落地趋势逐渐明朗，让我们一起来回顾超分辨率这个领域又一经典里程碑式的方法——基于生成式对抗网络的超分辨率网络SRGAN。研究背景介绍超分辨率（superresolution）任务的目标是将输入的低分辨率图像，例如256×256的图像，等比例放大若干倍后（如放大4倍），输出尺寸为1024×1024的图像

1LOVESJohnny·2020-08-22 00:52

【文章阅读】【超解像】--Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

【文章阅读】【超解像】–Photo-RealisticSingleImageSuper-ResolutionUsingaGenerativeAdversarialNetwork论文链接：https://arxiv.org/abs/1609.04802code(tensorflow)：https://github.com/tensorlayer/srgan本文将GAN网络引入到了SR应用中，有挺多的

DaneAI·2020-08-22 00:52

论文阅读之：Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network...

Photo-RealisticSingleImageSuper-ResolutionUsingaGenerativeAdversarialNetwork2016.10.23摘要：本文针对传统超分辨方法中存在的结果过于平滑的问题，提出了结合最新的对抗网络的方法，得到了不错的效果。并且针对此网络结构，构建了自己的感知损失函数。先上一张图，展示下强大的结果：Contributions：GANs提供了强大

a1424262219·2020-08-22 00:51

论文阅读——Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

前言之前有一段时间看了挺多深度学习方面的论文，但是由于时间方面的问题一直没来得及进行总结。最近一段时间突发奇想把自己看论文时的学习笔记给记录一下，由于之前没写过博文，所以排版可能会有点emmm...一言难尽。专业方面的知识，如果有理解不到位的地方欢迎各位大佬指教。Abstract最近，使用卷积网络实现超分辨率的研究集中在最小化均方重构误差这一方向。这种方法可达到较高的峰值信噪比，但是恢复出的图片缺

雨•人·2020-08-22 00:44

Simple Black-box Adversarial Attacks【简易的黑盒对抗攻击】

SimpleBlack-boxAdversarialAttacks【简易的黑盒对抗攻击】ChuanGuo,JacobR.Gardner,YurongYou,AndrewGordonWilson,KilianQ.WeinbergerGitHub:https://github.com/cg563/simple-blackbox-attack一、相关概念1.1对抗攻击（AdversarialAttack

老刘星星宇宇·2020-08-21 20:36

生成对抗网络GAN（六）深入理解生成对抗网络（Generative Adversarial Networks，GAN）

生成对抗网络(Generativeadversarialnets,GAN)是Goodfellow等人在2014年提出的一种生成式模型。GAN是由一个生成器和一个判别器构成。生成器捕捉真实数据样本的潜在分布，并由潜在分布生成新的数据样本；判别器是一个二分类器，判别输入是真实数据还是生成的样本。其优化过程类似于极小极大游戏，通过反向传播算法，最终目标可实现纳什均衡，即生成器完全获得真实数据样本的分布。

清风思月·2020-08-21 12:02

对抗生成网络（Generative Adversarial Net)

好久没有更新博客了，但似乎我每次更新博客的时候都这么说（泪）。最近对生活有了一些新的体会，工作上面，新的环境总算是适应了，知道了如何摆正工作和生活之间的关系，如何能在有效率工作的同时还能继续做自己感兴趣的事情。心理上，我依然故我般的做那个简单的技术boy，生活态度偏理想化但可以直面现实……突然想到这是一片技术博客，还是不多说自己的事情了，说一说甚嚣尘上的对抗网络吧。引入Discriminative

张雨石·2020-08-21 11:56

Generative Adversarial Net 生成对抗模型

资料搜集论文＋代码：1.纹理合成MarkovianGenerativeAdversarialNetworks(MGANs)fortraininggenerativeneuralnetworksforefficienttexturesynthesis简介：PrecomputedReal-TimeTextureSynthesiswithMarkovianGenerativeAdversarialNet

huxcai·2020-08-21 09:34

The Six Fronts of the Generative Adversarial Networks（下）

D、损失函數在理解GAN训练及其不稳定性来源方面的理论进展[18]指出，詹森-香农散度（JSD）（用于GAN的公式中，用于测量实际数据分布与生成器之间的相似性）是导致梯度消失的原因鉴别器已经受过良好训练。这种理论上的理解有助于激发下一波工作，从而探索了JSD的替代方法。代替JSD，作者建议使用Pearsonχ2（最小二乘GAN）[43]，地球移动距离（WassersteinGAN）[44]和Cra

黑糖跟你走zZ·2020-08-21 09:15

不可错过的 GAN 资源：教程、视频、代码实现、89 篇论文下载

NIP2016对抗训练Workshop【网页】https://sites.google.com/site/nips2016adversarial/【博客】http://www.inference.vc/

c2a2o2·2020-08-21 08:37

Generative Adversarial Nets（译）

生成式对抗网络友情提示：论文笔记&代码解析可参考如下网址http://blog.csdn.net/wspba/article/details/54582391摘要我们提出了一个通过对抗过程估计生成模型的新框架，在新框架中我们同时训练两个模型：一个用来捕获数据分布的生成模型G，和一个用来估计样本来自训练数据而不是G的概率的判别模型D，G的训练过程是最大化D产生错误的概率。这个框架相当于一个极小化极大

Eric_py·2020-08-20 05:12

Generative Adversarial Network Fitting for High Fidelity 3D Face Reconstruction

GenerativeAdversarialNetworkFittingforHighFidelity3DFaceReconstruction图1：提出的深度拟合方法可以从单个图像重建高质量的纹理和几何，并具有精确的身份恢复。图中和本文其余部分的重构由大小为700个浮点的向量表示，并且进行了渲染，没有任何特殊效果。我们想强调的是，所描绘的纹理是由我们的模型重建的，没有直接从图像中提取的特征。1.In

packdge_black·2020-08-20 04:37

Explaining and Harnessing Adversarial Examples 笔记

ExplainingandHarnessingAdversarialExampleshttps://arxiv.org/abs/1412.6572Summary本文提出了白盒模型下不定向对抗攻击的方法FGSM表面了DNN是因为高维空间中的线性行为才是导致对抗样本出现提供了通过FGSM进行对抗训练的一种方法(起到正则化效果)FGSM的扰动是对整张图的特征点进行较小扰动ResearchObjectiv

iivmot·2020-08-18 11:00

论文笔记《A Style-Based Generator Architecture for Generative Adversarial Networks》

这是NVIDIA的一篇新论文，一个对于GAN（StyleGAN）的基于样式的生成器体系结构，提出了一个新的模型来应对这个挑战。StyleGAN是一步一步地生成人工图像的，从非常低的分辨率开始，一直到高分辨率（1024×1024）。通过分别地修改网络中每个级别的输入，它可以控制在该级别中所表示的视觉特征，从粗糙的特征（姿势、面部形状）到精细的细节（头发颜色），而不会影响其它的级别。这种技术不仅可以更

framebreak·2020-08-17 16:05

《Crowd Counting via Adversarial Cross-Scale Consistency PursuitZan》论文翻译

摘要由于大规模变化，视角扭曲和严重遮挡等原因，人群计数或密度估计在计算机视觉中具有挑战性。现有方法通常存在两个问题：1）由多尺度CNN引起的模型av-eraging效应广泛采用的l2回归损失;2）不同比例输入的估计不一致。为了明确地解决这些问题，我们提出了一种新的人群计数（密度估计）框架，称为AdversarialCross-ScaleConsisten-cyPursuit（ACSCP）。一方面，

SurpriseDPD·2020-08-17 16:28

生成对抗网络(GAN)来源论文《Generative Adversarial Nets》读后总结

生成对抗网络[GAN]来源论文《GenerativeAdversarialNets》读后总结前言文章主要内容与贡献提出了生成对抗网络(GenerativeAdversarialNets,GAN)实验结果前言这是一些对于论文《GenerativeAdversarialNets》的简单的读后总结，首先先奉上该文章的下载超链接：GAN这篇文章是由蒙塞拉大学(UniversitedeMontreal)计算

geek12138_·2020-08-17 04:32

GAN初探（论文Generative Adversarial Nets阅读笔记）

GAN初探（论文GenerativeAdversarialNets阅读笔记）证明最终收敛于pG=pdatap_G=p_{data}pG=pdata证明上述算法流程就等同于对（1）式进行优化实验代码（参考[https://gitee.com/xiaonaw/PyTorch-GAN/blob/master/implementations/gan/gan.py](https://gitee.com/xi

填2·2020-08-16 23:58

《MuseGAN: Multi-track Sequential Generative Adversarial Networks for Symbolic Music Generation and A.

出处：2018AAAISourceCode:https://github.com/salu133445/museganabstract：（写得不错值得借鉴）重点阐述了生成音乐和生成图片，视频及语音的不同。首先音乐是基于时间序列的；其次音符在和弦、琶音（arpeggios）、旋律、复音等规则的控制之下的；同时一首歌曲是多track的。总之不能简单堆叠音符。本文基于GAN提出了三种模型来生成音乐：ja

weixin_30244681·2020-08-16 15:32

CS231n Spring 2019 Assignment 3—Generative Adversarial Networks (GANs)对抗生成网络

GenerativeAdversarialNetworksGANs对抗生成网络WhatisaGAN?VanillaGANRandomNoiseDiscriminatorGeneratorGANLossOptimizingourlossLS-GANDC-GANDC-DiscriminatorDC-Generator结果链接终于来到了cs231n的最后一次作业，在Generative_Adversar

laizi_laizi·2020-08-16 13:22

李宏毅《机器学习》课程笔记（作业十一：GAN）

GAN包含辨别器和生成器，是一个对抗的关系，用adversarial。是无监督的学习方式。可以将其看成老师和学生的关系。注意辨别器和生成器是轮流训练的，输入是一个随机的向量，最后的输出是一个标量。

逝水留痕9611·2020-08-16 08:19

论文阅读之《Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network》

Photo-RealisticSingleImageSuper-ResolutionUsingaGenerativeAdversarialNetwork(arxiv,21Nov,2016)这篇文章将对抗学习用于基于单幅图像的高分辨重建。基于深度学习的高分辨率图像重建已经取得了很好的效果，其方法是通过一系列低分辨率图像和与之对应的高分辨率图像作为训练数据，学习一个从低分辨率图像到高分辨率图像的映射函

山水之间2018·2020-08-16 05:50

论文复现《Effective Adversarial Regularization for Neural Machine Translation》

复现论文《EffectiveAdversarialRegularizationforNeuralMachineTranslation》，遇到的一些pytorch的技巧（坑），总结一下。原文是基于另一个库Chainer实现的，我在fairseq框架上加以复现，基于pytorch>=1.0论文中主要用公式来介绍主要思想，主要集中在wordembedding和loss部分的修改：wordembeddin

Dracen_Wu·2020-08-16 05:41

paper3：UV-GAN: Adversarial Facial UV Map Completion for Pose-invariant Face Recognition

UV-GAN:AdversarialFacialUVMapCompletionforPose-invariantFaceRecognition对抗式人脸UV映射完成后的姿态不变人脸识别一．背景①传统DCNN下的人脸识别：问题：用DCNN提取的人脸表示用于人脸识别的模型在正脸间的识别性能很好，但是在侧脸-正脸之间的识别性能则会下降10%。由此可见，姿态不变的人脸识别仍然是一个具有挑战性。理论上的解决

LiuShuangmax·2020-08-16 01:22

图像压缩之极限压缩方法：《Generative Adversarial Networks for Extreme Learned Image Compression》

GenerativeAdversarialNetworksforExtremeLearnedImageCompressionEirikurAgustsson,MichaelTschannen,FabianMentzer,RaduTimofte,LucVanGool，ETHZ，ICCV2019论文地址：https://arxiv.org/pdf/1804.02958v1.pdf源码地址：https:

凤舞九天cw·2020-08-16 00:32

ESRGAN - Enhanced Super-Resolution Generative Adversarial Networks论文翻译——中英文对照

文章作者：Tyan博客：noahsnail.com|CSDN|简书声明：作者翻译论文仅为学习，如有侵权请联系作者删除博文，谢谢！翻译论文汇总：https://github.com/SnailTyan/deep-learning-papers-translationESRGAN:EnhancedSuper-ResolutionGenerativeAdversarialNetworksAbstract

SnailTyan·2020-08-15 22:30

生成对抗网络资源 Adversarial Nets Papers

来源：https://github.com/zhangqianhui/AdversarialNetsPapersAdversarialNetsPapersTheclassicalPapersaboutadversarialnetsTheFirstpaper✅[GenerativeAdversarialNets][Paper][Code](thefirstpaperaboutit)Unclassif

weixin_33690367·2020-08-15 11:10

风格和样式在GAN网络中的分离(Style and Content Disentanglement in Generative Adversarial Networks)CVPR 2019

该论文贡献：1)提出了SC-GAN能够在无监督风格分离内容和风格表达；2)提出了通过得到的损失来训练SC-GAN；3)在实验中作者在BiGAN中添加了SC-GAN，使作者能够在样本中传输内容和风格；4)提出了一个很好的质量检测方法；实验优点：作者提出的方法可以学习分离风格和内容的表示（就是，内容不变的时候，风格要变化。相反，不管内容怎么变化，风格要不变），同时提高生成图像的质量。介绍：在普通训练过

光遇旅人·2020-08-15 11:56

2014-2017 Paper and Code about Generative Adversarial Nets

AdversarialNetsPapersTheclassicaboutGenerativeAdversarialNetworksTheFirstpaper[GenerativeAdversarialNets][Paper][Code](theFirstpaperofGAN)Unclassified[DeepGenerativeImageModelsusingaLaplacianPyramidof

马卫飞·2020-08-15 11:51

CartoonGAN照片动漫化

论文阅读：http://openaccess.thecvf.com/content_cvpr_2018/papers/Chen_CartoonGAN_Generative_Adversarial_CVPR

小哈里·2020-08-11 12:00

[论文笔记]：Image-to-Image Translation with Conditional Adversarial Networks

Image-to-ImageTranslationwithConditionalAdversarialNetworks论文翻译摘要1.介绍2.相关工作3.方法3.1评估3.2网络结构3.2.1Generatorwithskips3.2.2Markoviandiscriminator(PatchGAN)3.3优化和推理4.实验4.1评估指标4.2目标函数分析4.3生成器结构分析4.3从PixelGA

Axiiiz·2020-08-11 04:30

GAN Dissection: Visualizing and Understanding Generative Adversarial Networks

GANDissection:VisualizingandUnderstandingGenerativeAdversarialNetworks该论文介绍了一个可视化和理解生成网络学得结构的框架，通过定义一些可解释的单元并通过干涉这些单元来探究生成网络中的因果关系。GANpaint工具本文还提供了一个非常有意思的demo，只要鼠标划过，GAN就可以立即在你指定的地方画出云彩、草地、门和树等景物，并直接

EwanRenton·2020-08-09 12:37

StackGAN++: Realistic Image Synthesiswith Stacked Generative Adversarial Networks 论文解读

StackGAN++是ICCV2017的文章《StackGAN++:RealisticImageSynthesiswithStackedGenerativeAdversarialNetworks》。由于StackGAN在训练过程中不足够稳定以及生成更多种类的样本图片，由此提出了更好的StackGAN++。一、相关工作StackGAN-V1论文链接:[https://arxiv.org/pdf/17

迷途的CH·2020-08-09 01:44

论文阅读笔记----Learning an inverse tone mapping network with a generative adversarial regularizer

NingS,XuH,SongL,etal.Learninganinversetonemappingnetworkwithagenerativeadversarialregularizer[C]//2018IEEEInternationalConferenceonAcoustics,SpeechandSignalProcessing(ICASSP).IEEE,2018:1383-1387.摘要本文提

qq_25283239·2020-08-08 19:11

推荐频道

adversarial

[Paper note] Learning from Simulated and Unsupervised Images through Adversarial Training

对抗生成网络 Generative Adversarial Networks

生成对抗网络GAN系列（二）--- Conditional Generative Adversarial Nets（cGAN 条件GAN）--- 文末附代码

论文笔记：Generative Adversarial Nets

阅读小结：InfoGAN:Interpretable Representation Learning by Information Maximising Generative Adversarial

Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network（SRGAN）

SRGAN:Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

每日论文 Learning from Simulated and Unsupervised Images through Adversarial Training

每日论文InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial

DL | GAN: Generative Adversarial Nets 生成对抗网络算法学习

生成对抗网络(六)----------Image Denoising Using a Generative Adversarial Network(用GAN对图像去噪)

Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

文献阅读: ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks

Adversarial Nets Papers

Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

每日论文Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

【超分辨率】Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

CV | SRGAN论文笔记：Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

【文章阅读】【超解像】--Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

论文阅读之：Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network...

论文阅读——Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

Simple Black-box Adversarial Attacks【简易的黑盒对抗攻击】

生成对抗网络GAN（六）深入理解生成对抗网络（Generative Adversarial Networks，GAN）

对抗生成网络（Generative Adversarial Net)

Generative Adversarial Net 生成对抗模型

The Six Fronts of the Generative Adversarial Networks（下）

不可错过的 GAN 资源：教程、视频、代码实现、89 篇论文下载

Generative Adversarial Nets（译）

Generative Adversarial Network Fitting for High Fidelity 3D Face Reconstruction

Explaining and Harnessing Adversarial Examples 笔记

论文笔记《A Style-Based Generator Architecture for Generative Adversarial Networks》

《Crowd Counting via Adversarial Cross-Scale Consistency PursuitZan》 论文翻译

生成对抗网络(GAN)来源论文《Generative Adversarial Nets》读后总结

GAN初探（论文Generative Adversarial Nets阅读笔记）

《MuseGAN: Multi-track Sequential Generative Adversarial Networks for Symbolic Music Generation and A.

CS231n Spring 2019 Assignment 3—Generative Adversarial Networks (GANs)对抗生成网络

李宏毅《机器学习》课程笔记（作业十一：GAN）

论文阅读之《Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network》

论文复现《Effective Adversarial Regularization for Neural Machine Translation》

paper3：UV-GAN: Adversarial Facial UV Map Completion for Pose-invariant Face Recognition

图像压缩之极限压缩方法：《Generative Adversarial Networks for Extreme Learned Image Compression》

ESRGAN - Enhanced Super-Resolution Generative Adversarial Networks论文翻译——中英文对照

生成对抗网络资源 Adversarial Nets Papers

风格和样式在GAN网络中的分离(Style and Content Disentanglement in Generative Adversarial Networks)CVPR 2019

2014-2017 Paper and Code about Generative Adversarial Nets

CartoonGAN照片动漫化

[论文笔记]：Image-to-Image Translation with Conditional Adversarial Networks

GAN Dissection: Visualizing and Understanding Generative Adversarial Networks

StackGAN++: Realistic Image Synthesiswith Stacked Generative Adversarial Networks 论文解读

论文阅读笔记----Learning an inverse tone mapping network with a generative adversarial regularizer

《Crowd Counting via Adversarial Cross-Scale Consistency PursuitZan》论文翻译