【GAN货】生成对抗网络知识资料全集(论文/代码/教程/视频/文章等)

【导读】当地时间 10月 22 日到10月29日,两年一度的计算机视觉国际顶级会议 International Conference on Computer Vision(ICCV 2017)在意大利威尼斯开幕。Google Brain 研究科学家 Ian Goodfellow 在会上作为主题为《生成对抗网络(Generative Adversarial Networks)》的Tutorial 最新演讲, 介绍了GAN的原理和最新的应用。昨天我们介绍了此内容,请查看

【干货】Google GAN之父Ian Goodfellow ICCV2017演讲:解读生成对抗网络的原理与应用

今天专知内容组特此整理了GAN的知识资料大全,为大家呈上,欢迎查看。

理论学习

训练GANs的技巧

http://papers.nips.cc/paper/6124-improved-techniques-for-training-gans.pdf

Energy-Based GANs 以及Yann Le Cun 的相关研究

http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf

模式正则化GAN

https://arxiv.org/pdf/1612.02136.pdf

最新NIPS2016也有最新的关于训练GAN模型的总结

https://github.com/soumith/ganhacks

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。

https://github.com/hindupuravinash/the-gan-zoo

报告

Ian Goodfellow的GANs报告ICCV 2017

https://pan.baidu.com/s/1bpIZvfL

Ian Goodfellow的GANs报告ICCV 2017的中文讲稿

https://mp.weixin.qq.com/s/nPBFrnO3_QJjAzm37G5ceQ

Ian Goodfellow的GANs报告NIPS 2016

http://www.iangoodfellow.com/slides/2016-12-04-NIPS.pdf

Ian Goodfellow的GANs报告NIPS 2016 的中文讲稿

http://www.sohu.com/a/121189842_465975

Russ Salakhutdinov的深度生成模型

http://www.cs.toronto.edu/~rsalakhu/talk_Montreal_2016_Salakhutdinov.pdf

课程

NIPS 2016教程:生成对抗网络

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

训练GANs的技巧和窍门

https://github.com/soumith/ganhacks

OpenAI生成模型

https://blog.openai.com/generative-models/

用Keras实现MNIST生成对抗模型

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

http://bamos.github.io/2016/08/09/deep-completion/

中文教程

生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

中科院自动化所 中文综述 《生成式对抗网络 GAN 的研究进展与展望》

https://pan.baidu.com/s/1dEMITo9 密码: qqcc

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Demo

https://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

生成对抗网络(GAN)的前沿进展(论文、报告、框架和Github资源)汇总

http://blog.csdn.net/love666666shen/article/details/74953970

综述

中科院自动化所 中文综述 《生成式对抗网络 GAN 的研究进展与展望》

参考链接: https://pan.baidu.com/s/1dEMITo9 密码: qqcc

Github 资源

深度卷积生成对抗模型(DCGAN)

https://github.com/Newmu/dcgan_code

TensorFlow实现深度卷积生成对抗模型(DCGAN)

https://github.com/carpedm20/DCGAN-tensorflow

Torch实现深度卷积生成对抗模型(DCGAN)

https://github.com/soumith/dcgan.torch

Keras实现深度卷积生成对抗模型(DCGAN)

https://github.com/jacobgil/keras-dcgan

使用神经网络生成自然图像(Facebook的Eyescream项目)

https://github.com/facebook/eyescream

对抗自编码(AdversarialAutoEncoder)

https://github.com/musyoku/adversarial-autoencoder

利用ThoughtVectors 实现文本到图像的合成

https://github.com/paarthneekhara/text-to-image

对抗样本生成器(Adversarialexample generator)

https://github.com/e-lab/torch-toolbox/tree/master/Adversarial

深度生成模型的半监督学习

https://github.com/dpkingma/nips14-ssl

GANs的训练方法

https://github.com/openai/improved-gan

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

https://github.com/yujiali/gmmn

对抗视频生成

https://github.com/dyelax/Adversarial_Video_Generation

基于条件对抗网络的图像到图像翻译(pix2pix)

https://github.com/phillipi/pix2pix

对抗机器学习库Cleverhans

https://github.com/openai/cleverhans

最新论文

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))2015

https://arxiv.org/pdf/1511.06434v2.pdf

对抗实例的解释和利用(Explaining and Harnessing Adversarial Examples)2014

https://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 )2014

https://arxiv.org/pdf/1406.5298v2.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)2015

http://papers.nips.cc/paper/5773-deep-generative-image-models-using-a-5.

http://papers.nips.cc/paper/5773-deep-generative-image-models-using-a-5.

https://arxiv.org/pdf/1606.03498v1.pdf

条件生成对抗网络(Conditional Generative Adversarial Nets)2014

https://arxiv.org/pdf/1411.1784v1.pdf

生成式矩匹配网络(Generative Moment Matching Networks)2015

http://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)2015

https://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)2015

https://arxiv.org/pdf/1512.09300.pdf

对抗自编码(Adversarial Autoencoders)2015

https://arxiv.org/pdf/1511.05644.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)2016

https://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.cv-foundation.org/openaccess/content_cvpr_2016/papers/Pathak_Context_Encoders_Feature_CVPR_2016_paper.pdf

http://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Pathak_Context_Encoders_Feature_CVPR_2016_paper.pdf

http://proceedings.mlr.press/v48/reed16.pdf

基于像素卷积神经网络的条件生成图片(Conditional Image Generation with PixelCNN Decoders)2015

https://arxiv.org/pdf/1606.05328.pdf

对抗特征学习(Adversarial Feature Learning)2016

https://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 )2016

https://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)2016

https://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)2016

https://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 )2016

http://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)2016

https://arxiv.org/pdf/1609.03552.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)2015

https://arxiv.org/pdf/1505.03906.pdf

对抗性推断学习(Adversarially Learned Inference)2016

https://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)2016

https://arxiv.org/pdf/1602.05110.pdf

生成对抗模仿学习(Generative Adversarial Imitation Learning)2016

http://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)2016

https://arxiv.org/pdf/1610.07584.pdf

学习画画(Learning What and Where to Draw)2016

https://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)2016

https://arxiv.org/pdf/1610.09585.pdf

隐生成模型的学习(Learning in Implicit Generative Models)2016

https://arxiv.org/pdf/1610.03483.pdf

VIME: 变分信息最大化探索(VIME: Variational Information Maximizing Exploration)2016

http://papers.nips.cc/paper/6591-vime-variational-information-maximizing-exploration.pdf

生成对抗网络的展开(Unrolled Generative Adversarial Networks)2016

https://arxiv.org/pdf/1611.02163.pdf

训练生成对抗网络的基本方法(Towards Principled Methods for Training Generative Adversarial Networks)2017

https://arxiv.org/pdf/1701.04862.pdf

基于内省对抗网络的神经图像编辑(Neural Photo Editing with Introspective Adversarial Networks)2016

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

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

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

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

https://arxiv.org/pdf/1609.09444.pdf

生成多对抗网络(Generative Multi-Adversarial Networks)2016

https://arxiv.org/pdf/1611.01673.pdf

生成对抗网络组合(Ensembles of Generative Adversarial Network)2016

https://arxiv.org/pdf/1612.00991.pdf

改进生成器目标的GANs(Improved generator objectives for GANs) 2016

https://arxiv.org/pdf/1612.02780.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

https://openreview.NET/pdf?id=HJC88BzFl

生成混合模型(Generative Mixture of Networks)2017

https://arxiv.org/pdf/1702.03307.pdf

记忆生成时空模型(Generative Temporal Models with Memory)2017

https://arxiv.org/pdf/1702.04649.pdf

停止GAN暴力:生成性非对抗模型(Stopping GAN Violence: Generative Unadversarial Networks)2017

https://arxiv.org/pdf/1703.02528.pdf

原文发布于微信公众号 - 专知(Quan_Zhuanzhi)

原文发表时间:2017-10-24

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏PPV课数据科学社区

【学习】十张图解释机器学习的基本概念

在解释机器学习的基本概念的时候,我发现自己总是回到有限的几幅图中。以下是我认为最有启发性的条目列表。 ? 1. Test and train...

2725
来自专栏机器学习算法原理与实践

谱聚类(spectral clustering)原理总结

    谱聚类(spectral clustering)是广泛使用的聚类算法,比起传统的K-Means算法,谱聚类对数据分布的适应性更强,聚类效果也很优秀,同时...

853
来自专栏专知

【专知荟萃11】GAN生成式对抗网络知识资料全集(理论/报告/教程/综述/代码等)

生成对抗网络(GAN)专知荟萃 一、理论学习 二、报告 三、教程 四、综述 五、中文博客资料 六、Github资源以及模型 七、最新研究论文 一、理论学习 训...

4308
来自专栏和蔼的张星的图像处理专栏

FHOG传统hog特征提取。FHOG

关于HOG特征(梯度统计直方图)简单介绍一下,首先是对原图进行灰度化(hog统计的是梯度信息,色彩几乎没有贡献),再进行gamma压缩和归一化(减轻光照影响)。...

8272
来自专栏人工智能LeadAI

图像学习-HOG特征

好久没写东西了,由于楼主换了个城市工作,发现工作量蹭蹭的上来了,周末又喜欢出去觅食,导致没学习很久,今天准备水一篇来翻译一下如何理解HOG(Histogram ...

5165
来自专栏企鹅号快讯

机器学习一元线性回归和多元线性回归

1.什么是线性方程? 从数学上讲我们有一元线性方程和多元线性方程,如下: y = aX + b y = b0 + b1X1 + b2X2 + b3X3 + ....

2246
来自专栏PPV课数据科学社区

机器学习的相似性度量

? 在做分类时常常需要估算不同样本之间的相似性度量(Similarity Measurement),这时通常采用的方法就是计算样本间的“距离”(Distanc...

3378
来自专栏杨熹的专栏

PCA 的数学原理和可视化效果

本文结构: 什么是 PCA 数学原理 可视化效果 ---- 1. 什么是 PCA PCA (principal component analysis, 主成分分...

3719
来自专栏智能算法

在机器学习中用到了各式各样的距离

作者:shiwei408 来源:http://blog.csdn.net/shiwei408/article/details/7602324 本文目录: 1.欧...

3256
来自专栏机器学习之旅

理论:聚类算法思路总结

常见的为欧式距离(L1 norm)&&p=2,拓展的可以有闵可夫斯基距离(L2 norm)&&p=1:

702

扫码关注云+社区