开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

使用GAN为稀疏数据集生成数据

GAN（Generative Adversarial Network）是一种生成模型，用于生成逼真的数据样本。它由生成器（Generator）和判别器（Discriminator）两个神经网络组成，通过对抗训练的方式来提高生成器生成样本的质量。

GAN在处理稀疏数据集生成数据时，可以通过学习数据集的分布特征来生成新的数据样本。对于稀疏数据集，生成器可以学习到数据集中的潜在模式和规律，并生成具有相似特征的新数据。

优势：

生成高质量数据：GAN能够生成逼真的数据样本，可以用于增强数据集、数据扩充和数据合成等任务。
无需标注数据：GAN可以在无需标注数据的情况下生成新的数据样本，减少了数据标注的工作量。
保护数据隐私：GAN生成的数据样本不依赖于真实数据，可以保护数据隐私。

应用场景：

图像生成：GAN可以生成逼真的图像样本，用于图像合成、图像增强等任务。
数据扩充：对于稀疏数据集，GAN可以生成新的数据样本，扩充数据集规模，提高模型的泛化能力。
视频生成：GAN可以生成逼真的视频样本，用于视频合成、视频增强等任务。
自然语言处理：GAN可以生成逼真的文本样本，用于文本生成、对话系统等任务。

腾讯云相关产品：腾讯云提供了一系列与云计算和人工智能相关的产品，以下是一些推荐的产品：

人工智能机器学习平台（https://cloud.tencent.com/product/tiia）：提供了丰富的机器学习和深度学习算法，可用于训练和部署GAN模型。
图像处理（https://cloud.tencent.com/product/tiia）：提供了图像处理的API和SDK，可用于图像生成和增强等任务。
视频处理（https://cloud.tencent.com/product/vod）：提供了视频处理的服务，可用于视频生成和合成等任务。
自然语言处理（https://cloud.tencent.com/product/nlp）：提供了自然语言处理的API和SDK，可用于文本生成和对话系统等任务。

以上是对使用GAN为稀疏数据集生成数据的完善且全面的答案。

相关搜索:Python -基于现有数据集生成相关数据集 SQL查询在稀疏数据集上遇到超时为ethereum生成数据集DAG 为数据集分配颜色从用户输入生成数据集使用PHPSpreadsheet为VLOOKUP创建数据集/数组使用RecordLinkage包为大型数据集生成唯一ID列使用spark为大数据集生成推荐模型使用数据集B的参数缩放数据集A 使用银河动物园数据集、TensorFlow和Keras训练GAN

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

重磅开源！ ICCV 2019，华为诺亚提出无需数据网络压缩技术

华为诺亚方舟实验室联合北京大学和悉尼大学发布论文《DAFL：Data-Free Learning of Student Networks》，提出了在无数据情况下的网络蒸馏方法（DAFL），比之前的最好算法在 MNIST 上提升了 6 个百分点，并且使用 resnet18 在 CIFAR-10 和 100 上分别达到了 92% 和 74% 的准确率（无需训练数据），该论文已被 ICCV2019 接收。

02

MIT Taco 项目：自动生成张量计算的优化代码，深度学习加速效果提高 100 倍

我们生活在大数据的时代，但在实际应用中，大多数数据是 “稀疏的”。例如，如果用一个庞大的表格表示亚马逊所有客户与其所有产品的对应映射关系，购买某个产品以 “1” 表示，未购买以 “0” 表示，这张表的大部分将会是 0。使用稀疏数据进行分析的算法最终做了大量的加法和乘法，而这大部分计算是无效的。通常，程序员通过编写自定义代码来优化和避免零条目，但这种代码通常编写起来复杂，而且通常适用范围狭窄。 AI研习社发现，在 ACM 的系统、程序、语言和应用会议（SPLASH）上，麻省理工学院、法国替代能源和原子能委

开发 | MIT Taco项目：自动生成张量计算的优化代码，深度学习加速效果提高100倍

AI科技评论消息：我们生活在大数据的时代，但在实际应用中，大多数数据是“稀疏的”。例如，如果用一个庞大的表格表示亚马逊所有客户与其所有产品的对应映射关系，购买某个产品以“1”表示，未购买以“0”表示，这张表的大部分将会是0。使用稀疏数据进行分析的算法最终做了大量的加法和乘法，而这大部分计算是无效的。通常，程序员通过编写自定义代码来优化和避免零条目，但这种代码通常编写起来复杂，而且通常适用范围狭窄。 AI科技评论发现，在ACM的系统、程序、语言和应用会议（SPLASH）上，麻省理工学院、法国替代能源和原子能

非常全面！如何选择合适的模型？

在众多机器学习模型中，我们如何在各种实际情况下做出恰当的选择呢？本文我从如下几个方面系统地分析下~ 有帮助的话点个赞哦。

01

【悉尼大学博士论文】深度3D信息预测与理解

来源：专知本文为论文介绍，建议阅读5分钟本文通过对4个具体任务的研究，围绕模型设计、多模态融合、稀疏数据分析、无监督学习、域适应和域泛化等关键问题展开研究。与2D图像数据相比，3D信息与人类的视觉感知更密切相关，有助于智能机器更好地了解世界。三维信息预测和理解，如结构预测和语义分析，在三维视觉感知中起着重要的作用。具体到3D结构，比如深度数据，虽然我们可以从各种3D传感器中获取它，但在机器学习框架中，仍然有大量的尝试从单个图像、视频序列、立体声数据或多模态数据中预测它。主要原因是3D传感器通常价格昂贵，

06

数据挖掘系列（4）使用weka做关联规则挖掘

前面几篇介绍了关联规则的一些基本概念和两个基本算法，但实际在商业应用中，写算法反而比较少，理解数据，把握数据，利用工具才是重要的，前面的基础篇是对算法的理解，这篇将介绍开源利用数据挖掘工具weka进行管理规则挖掘。 weka数据集格式arff arff标准数据集简介　　weka的数据文件后缀为arff（Attribute-Relation File Format，即属性关系文件格式），arff文件分为注释、关系名、属性名、数据域几大部分，注释用百分号开头%，关系名用@relation申明，属性用@

06

机器学习基础与实践（二）——数据转换

本文目录：一.标准化的原因二.适用情况三.三种数据变换方法的含义与应用四.具体方法及代码一）标准化 1.1 scale----零均值单位方差1.2 StandardScaler 二）归一化 2.1 MinMaxScaler(最小最大值标准化)2.2 MaxAbsScaler（绝对值最大标准化） 2.3 对稀疏数据进行标准化 2.4 对离群点进行标准化三）正则化 3.1 L1、L2正则化四）二值化 4.1特征二值化五）对类别特征进行编码六）缺失值的插补七）生成多项式特征八）自定义

06

CVPR 2020 | 10篇改进GAN的论文（网络、训练、正则等）

引入新的局部稀疏注意力层，保留二维几何形状和局部性，用这种结构替换SAGAN的密集注意力层即可获得显着的FID、Inception score和视觉效果。https://github.com/giannisdaras/ylg

02

【业界】亚马逊宣布开源深度学习工具，“Open”AI或成主流？

【新智元导读】亚马逊也被吹上“flow”的风口：继Facebook昨天公开其深度学习训练平台FBLearner Flow细节，亚马逊今日下午突然宣布开源其深度学习和机器学习工具DSSTNE，并表示与相比其他深度学习工具，DSSTNE尤其擅于训练稀疏数据。近年来，谷歌，FB和OpenAI先后搭建平台，亚马逊也宣布工具开源，人工智能系统未来开源趋势已成，国内公司何时跟上国际潮流？ 2016年5月11日下午，亚马逊在GitHub网站将其深度学习和机器学习工具DSSTNE开源（译注：DSSTNE与英语“desti

06

CVPR 2020 | 10篇改进GAN的论文（网络、训练、正则等）

引入新的局部稀疏注意力层，保留二维几何形状和局部性，用这种结构替换SAGAN的密集注意力层即可获得显着的FID、Inception score和视觉效果。https://github.com/giannisdaras/ylg

02

GAN系列学习(2)——前生今世

作者：刘威威编辑：李文臣本文是GAN系列学习--前世今生第二篇，在第一篇中主要介绍了GAN的原理部分，在此篇文章中，主要总结了常用的GAN包括DCGAN,WGAN,WGAN-GP,LSGAN-BEGAN的详细原理介绍以及他们对GAN的主要改进，并推荐了一些Github代码复现链接。本文旨在对GAN的变种做一些梳理工作，详细请看下文。 3 1.DCGAN 【Paper】： http://arxiv.org/abs/1511.06434 【github】 : https

06

AiTrust下预训练和小样本学习在中文医疗信息处理挑战榜CBLUE表现

项目链接： https://aistudio.baidu.com/aistudio/projectdetail/4592515?contributionType=1 如果有图片缺失参考项目链接 0

01

AiTrust下预训练和小样本学习在中文医疗信息处理挑战榜CBLUE表现

项目链接： https://aistudio.baidu.com/aistudio/projectdetail/4592515?contributionType=1 如果有图片缺失参考项目链接 0.项

02

DCGAN、WGAN、WGAN-GP、LSGAN、BEGAN原理总结及对比

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_25737169/article/details/78857788

03

一文看尽深度学习中的生成对抗网络 | CVHub带你看一看GANs架构发展的8年

生成对抗网络 (Generative Adversarial Networks, GANs) 在过去几年中被广泛地研究，其在图像生成、图像转换和超分辨率等领域取得了显著的进步。到目前为止，已经提出了大量基于GANs的相关工作和综述。本文基于柏林圣三一大学计算机科学与统计学院的王正蔚博士与字节跳动AI实验室联合发表的一篇综述[1]为基础，详细的解读GANs的来龙去脉，同时为大家介绍近期一些相关工作，中间也会穿插一些笔者的见解。最后，本文也将列出一些可探索的未来研究方向，希望能给予读者一些启发。

02

[计算机视觉论文速递] 2018-02-28

[1]《CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes》 CVP

08

CVPR2021谷歌发表超70篇论文，第一作者半数为华人！

近日，CV界三大顶会之一的2021CVPR在clubhouse拉开了帷幕。今年，会议收到了21000名作者的7000篇投稿，经过7400名审稿人和280名区域主席的审查，最终有1600篇论文被接收，接收率约24%。其中，何恺明团队论文获得了「最佳论文提名」。

03

XGBoost2.0重大更新！

XGBoost是Extreme Gradient Boosting的缩写，是一个非常流行的开源机器学习库，以其高性能和出色的准确性而闻名。它已广泛应用于各个领域，包括数据科学、金融和在线广告。

02

Facebook 面向个性化推荐系统的深度学习推荐模型

Deep Learning Recommendation Model for Personalization and Recommendation Systems

07

激光雷达深度补全

对于自动驾驶汽车和机器人，使用激光雷达是必不可少的，以实现精确的深度预测。许多应用程序依赖于周围环境的意识，并使用深度信息来推理和做出相应的反应。一方面，单目深度预测方法无法生成绝对和精确的深度图。另一方面，双目立体匹配方法仍然明显优于基于LiDAR的方法。深度补全任务的目标是从稀疏和不规则点云生成密集的深度预测，然后将预测的深度信息映射到2D平面。最近有一些优秀的工作，提出了一种精确完成RGB图像引导的稀疏LiDAR图的新方法。

03

CVPR 2018摘要：第三部分

CVPR 2018（计算机视觉和模式识别）会议已经结束，但我们不能停止回顾其精彩的论文; 今天，我们学习第三部分。在第一部分中，我们简要回顾了2018年CVPR中关于计算机视觉GAN的最有趣的论文; 在第二部分中，增加了人性化，并谈到了人类的姿势估计和跟踪。今天，我们转向Neuromation中内部研究的主要焦点之一：合成数据。像往常一样，论文没有特别的顺序，我们的评论非常简短，所以我们绝对建议完整阅读论文。

03

天降斯雨，于我却无！GAN用于去雨如何？

1. 2017-Image De-raining Using a Conditional Generative Adversarial Network

01

用GANs来做数据增强

生成对抗网络(Generative adversarial networks，简称GANs)由Ian Goodfellow于2014年推出，近年来成为机器学习研究中非常活跃的话题。GAN是一种无监督生成模型，它隐含地学习底层分布。在GAN框架中，学习过程是两个网络之间的极大极小博弈，一个生成器，生成给定随机噪声向量的合成数据，一个鉴别器，区分真实数据和生成器的合成数据。

02

ICML 2018 | 腾讯AI Lab详解16篇入选论文

导读：7月10日至15日，第 35 届国际机器学习会议（ICML 2018）将在瑞典斯德哥尔摩举行。ICML是机器学习领域最顶级的学术会议，今年共收到2473篇投递论文，比去年的1676篇提高47.6%，增幅显著。最终入围论文共621篇，接收率25%，与去年26%持平。这是腾讯AI Lab第二次参与这一顶级会议，共有16篇论文入选，去年则入选4篇，均位居国内企业前列。我们将在下文中分三类介绍这些文章——新模型与新框架、分布式与去中心化、及机器学习优化方法与理论研究。有的研究具有多重贡献，并不严格按照研究

ICML 2018 | 腾讯AI Lab详解16篇入选论文

7月10日至15日，第 35 届国际机器学习会议（ICML 2018）将在瑞典斯德哥尔摩举行。ICML是机器学习领域最顶级的学术会议，今年共收到2473篇投递论文，比去年的1676篇提高47.6%，增幅显著。最终入围论文共621篇，接收率25%，与去年26%持平。这是腾讯AI Lab第二次参与这一顶级会议，共有16篇论文入选，去年则入选4篇，均位居国内企业前列。我们将在下文中分三类介绍这些文章——新模型与新框架、分布式与去中心化、及机器学习优化方法与理论研究。有的研究具有多重贡献，并不严格按照研究内容区

02

CVPR 2020 | 旷视研究院16篇（含6篇Oral）收录论文亮点集锦

IEEE国际计算机视觉与模式识别会议 CVPR 2020 (IEEE Conference on Computer Vision and Pattern Recognition) 大会官方论文结果公布，旷视研究院 16 篇论文被收录（其中含 6篇 Oral 论文），研究领域涵盖物体检测与行人再识别（尤其是遮挡场景），人脸识别，文字检测与识别，实时视频感知与推理，小样本学习，迁移学习，3D感知，GAN与图像生成，计算机图形学，语义分割，细粒度图像，对抗样本攻击等众多领域，取得多项领先的技术研究成果，这与已开放/开源的旷视AI生产力平台Brain++密不可分。本文把 16 篇论文汇在一起，逐篇做了亮点集锦式的抢先解读。 01 论文名称：DPGN: Distribution Propagation Graph Network for Few-shot Learning 论文链接：https://arxiv.org/abs/2003.14247 关键词：小样本学习，图网络

03

学界 | 腾讯 AI Lab 详解16篇 ICML 2018 入选论文

7月10日至15日，第 35 届国际机器学习会议（ICML 2018）将在瑞典斯德哥尔摩举行。ICML是机器学习领域最顶级的学术会议，今年共收到2473篇投递论文，比去年的1676篇提高47.6%，增幅显著。最终入围论文共621篇，接收率25%，与去年26%持平。

03

Tensorflow2.0实战之GAN

本文主要带领读者了解生成对抗神经网络（GAN），并使用提供的face数据集训练网络

05

【CVPR 2023的AIGC应用汇总(8)】3D相关（编辑/重建/生成） diffusion扩散/GAN生成对抗网络方法

【CVPR 2023的AIGC应用汇总(5)】语义布局可控生成，基于diffusion扩散/GAN生成对抗

01

解决机器学习问题有通法！看这一篇就够了！

大数据文摘作品作者：Abhishek Thakur 编译：Cathy，黄文畅，姜范波，寒小阳前言本文由Searchmetrics公司高级数据科学家Abhishek Thakur提供。一个中等水平的数据科学家每天都要处理大量的数据。一些人说超过60%到70%的时间都用于数据清理、数据处理及格式转化，以便于在之后应用机器学习模型。这篇文章的重点便在后者—— 应用机器学习模型（包括预处理的阶段）。此文讨论到的内容来源于我参加的过的数百次的机器学习竞赛。请大家注意这里讨论的方法是大体上适用的，当然还有很多被

04

苹果AI论文 SimGANs 代码及详解及自动驾驶的应用

代码：https://github.com/wayaai/SimGAN 下文介绍有不少改进。链接不少是链接到代码。阅读原因可点击相关链接。

03

苹果首篇AI论文SimGANs代码及详解

作者：Michael Dietz，Waya.ai创始人原文：SimGANs - a game changer in unsupervised learning, self driving cars, and more 译者：王安阳上海交通大学研究生在读责编：王艺寻求报道及投稿请请联系wangyi@csdn.net，加微信Qunnie-Yi申请入群。【编者按】本文为苹果最新AI论文SimGANs写就，作为GANs的变种，SimGANs一经提出便引发众议。本文分析论文思想及代码，并就将SimG

05

汇总简析：GAN和扩散模型生成训练数据

1）提出的扩散嵌入网络可以解决流形不匹配问题，并且易于生成潜码，与 ImageNet 潜在空间更好地匹配。

03

CVPR 2022 | 最全25+主题方向、最新50篇GAN论文汇总

这项工作提出一种新的“基于编辑”的方法，即属性组编辑（Attribute Group Editing，AGE），用于少样本图像生成。思路是任何图像都是属性的集合，并且特定属性的编辑方向在所有类别中共享。AGE 检查在 GAN 中学习的内部表示并识别语义上有意义的方向。

02

今日 Paper | 3D门控递归融合；双注意力GAN；通用目标检测器；无监督域自适应等

论文名称：3D Gated Recurrent Fusion for Semantic Scene Completion

04

使用GAN进行异常检测

自从基于Stable Diffusion的生成模型大火以后，基于GAN的研究越来越少了，但是这并不能说明他就没有用了。异常检测是多个研究领域面临的重要问题，包括金融、医疗保健和网络安全。检测和正确分类未见的异常是一个具有挑战性的问题，多年来已经以许多不同的方式解决了这个问题。而今天我们要介绍一种基于GAN的异常检测方法，GAN是一种深度学习模型，可以学习生成与给定数据集相似的真实数据样本。GAN的这一特性表明它们可以成功地用于异常检测，以前的基于GAN的生成模型都是使用GAN的生成器，而异常检测则是需要使用GAN的鉴别器。

01

清华黄民烈朱小燕等提出ARAML，文本生成训练稳定性能新SOTA

论文链接：https://arxiv.org/pdf/1908.07195v1.pdf

02

【图像上色小综述】生成对抗网络的GAN法

0，图像上色及其分类图像上色一般分为两种：无引导上色和有引导上色。顾名思义，无引导指的是全交由算法进行自动化上色，而有引导则在上色过程中有人为（其它参照）干预，比如给出一幅风格参考图像或指定某一区域为特定颜色。图像上色的主要难点比如：1）数据集获取；2)上色的语义辨识性，前背景、各目标实例独立色彩效果；3）合理统一的评估方法等结合GAN的上色方案一般具有一些优点是：1）GAN生成模型擅长图像转换任务，而图像上色也属于图像转换；2）训练效果引入判别器判定，对抗损失可视作一种”学习出来“的loss，减免

02

VoxGRAF：基于稀疏体素的快速三维感知图像合成

对场景进行高分辨率的高保真渲染是计算机视觉和图形学领域的一个长期目标。实现这一目标的主要范式是精心设计一个场景的三维模型，再加上相应的光照模型，使用逼真的相机模型渲染输出高保真图像。生成对抗网络（GAN）已经成为一类强大的可以实现高保真高分辨率图像合成的生成模型。这种二维模型的好处之一是他们可以使用便于获得的大量图像进行训练。然而，将 GAN 扩展到三维则相对困难，因为用于监督的三维真实模型难以获得。近期，3D-aware GAN 解决了人工制作的三维模型以及缺乏三维约束的用于图像合成的 2D GAN 之间的不匹配问题。3D-aware GAN 由三维生成器、可微分渲染以及对抗训练组成，从而对新视角图像合成过程中的相机位姿以及潜在的场景的对象形状、外观等其他场景性质进行显式控制。GRAF 采用了 NeRF 中基于坐标的场景表示方法，提出了一种使用基于坐标的 MLP 和体渲染的 3D-aware GAN，将基于 3D 感知的图像合成推进到更高的图像分辨率，同时基于物理真实且无参数的渲染，保持了场景的三维一致性。然而在三维场景进行密集采样会产生巨大的消耗，同时三维的内容经常与观察视角纠缠在一起，而进行下游应用时，场景的三维表征往往需要集成到物理引擎中，因此难以直接获得场景三维内容的高分辨率表征。许多近期的方法通过将 MLP 移出场景表征从而加速了新视角合成的训练速度，通过优化稀疏体素证明了 NeRF能够获得高保真图像的原因不是由于其使用了 MLP ，而是由于体渲染和基于梯度的优化模式。

03

使用生成式对抗网络从随机噪声中创建数据

由于最近几周工作紧以及该文涉及机器学习，翻译有点水的厉害。推荐不要在这浪费时间还是直接看英文原文的好。

02

CTAB-GAN：高效且可行的表格数据合成

虽然数据共享对于知识发展至关重要，但遗憾的是，隐私问题和严格的监管（例如欧洲通用数据保护条例 GDPR）限制了其充分发挥作用。合成表格数据作为一种替代方案出现，可在满足监管和隐私约束的同时实现数据共享。最先进的表格数据合成器从生成对抗网络 (GAN) 中汲取方法论，并处理行业中的两种主要数据类型，即连续数据类型和分类数据类型。在本文中，我们阐明了 CTAB-GAN，这是一种新颖的条件表 GAN 架构，可以有效地对各种数据类型进行建模，包括连续变量和分类变量的混合。此外，该模型还解决了实际表格数据集中的数据不平衡和长尾问题，即某些变量在大值之间具有显着的频率差异。这是通过利用条件 GAN 的信息损失和分类损失实现的。此外，该模型具有新颖的条件向量，可有效地对混合数据类型和数据变量的偏态分布进行编码。CTAB-GAN 在数据相似性和分析效用方面用当前的技术水平进行了评估。五个数据集的结果表明，CTAB-GAN 的合成数据与所有三类变量的真实数据非常相似，并导致五种机器学习算法的准确率更高，高达 17%。

05

BEGAN解读

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_25737169/article/details/77575617

02

机器学习笔记之数据缩放标准化和归一化

使用单一指标对某事物进行评价并不合理，因此需要多指标综合评价方法。多指标综合评价方法，就是把描述某事物不同方面的多个指标综合起来得到一个综合指标，并通过它评价、比较该事物。由于性质不同，不同评价指标通常具有不同的量纲和数量级。当各指标相差很大时，如果直接使用原始指标值计算综合指标，就会突出数值较大的指标在分析中的作用、削弱数值较小的指标在分析中的作用。为消除各评价指标间量纲和数量级的差异、保证结果的可靠性，就需要对各指标的原始数据进行特征缩放。

01

在MATLAB中优化大型数据集时通常会遇到的问题以及解决方案

以上是在MATLAB中优化大型数据集时可能遇到的问题，对于每个问题，需要根据具体情况选择合适的解决方案。

09

样本数量的线性时间计算复杂度GAN

A Characteristic Function Approach to Deep Implicit Generative Modeling 2020

01

在GAN中通过上下文的复制和粘贴，在没有数据集的情况下生成新内容

GAN体系结构一直是通过AI生成内容的标准，但是它可以实际在训练数据集中提供新内容吗？还是只是模仿训练数据并以新方式混合功能？

01

关于GAN的灵魂七问

生成对抗网络在过去一年仍是研究重点，我们不仅看到可以生成高分辨率（1024×1024）图像的模型，还可以看到那些以假乱真的生成图像。此外，我们还很兴奋能看到一些新的生成模型，它们能生成与 GAN 相媲美的图像，其主要代表就是流模型 Glow。

03

只会造假怎么行？艺术家联手Facebook，给GAN加点创意

王小新编译自 Hackernoon 量子位出品 | 公众号 QbitAI 目前，生成对抗网络(GAN)作为一种处理图像生成问题的优秀方法，在超分辨率重建、风格迁移等领域已经做出了很多有意思的成就。

06

别人家的高中生：入大学前，Ta详细梳理了GAN的发展脉络

昨天，reddit 上出现了一个关于梳理 GAN 发展脉络的博客，作者在博客中详细梳理了过去几年的 GAN 发展历程，包含众多 SOTA 论文及其代码和对应的学习资源。难能可贵的是，博客作者三月份才刚高中毕业，然后利用上大学之前的时间完成了这篇文章。

05

朱俊彦团队最新论文GANGealing：GAN监督学习密集视觉对齐 | 代码开源

https://www.github.com/wpeebles/gangealing

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭