【新智元导读】这是一份生成对抗（神经）网络的重要论文以及其他资源的列表，由 Holger Caesar 整理，包括重要的 workshops，教程和博客，按主题分类的重要论文，视频，代码等，值得收藏学习。 目录 Workshops 教程 & 博客 论文 理论 & 机器学习 视觉应用 其他应用 幽默 视频 代码 Workshops NIP 2016 对抗训练 Workshop 【网页】https://sites.google.com/site/nips2016adversari
允中 编译整理 量子位 出品 | 公众号 QbitAI 自从Goodfellow2014年提出这个想法之后，生成对抗网络（GAN）就成了深度学习领域内最火的一个概念，包括LeCun在内的许多学者都认为，GAN的出现将会大大推进AI向无监督学习发展的进程。 于是，研究GAN就成了学术圈里的一股风潮，几乎每周，都有关于GAN的全新论文发表。而学者们不仅热衷于研究GAN，还热衷于给自己研究的GAN起名，比如什么3D-GAN、BEGAN、iGAN、S²GAN……千奇百怪、应有尽有。 今天，量子位决定带大家逛逛GAN
选自Deephunt 作者：Avinash Hindupur 参与：黄小天、蒋思源 生成对抗网络（GAN）是近段时间以来最受研究者关注的机器学习方法之一，深度学习泰斗 Yann LeCun 就曾多次谈到 这种机器学习理念的巨大价值和未来前景。而各类 GAN 的变体也层出不穷，近日机器之心也报道过生成对抗网络的最新进展与论文集，而本文更注重于从 GAN 及其变体的角度对其论文做一个完整的梳理。 项目地址：https://deephunt.in/the-gan-zoo-79597dc8c347 每一周都会有关于
选自GitHub 参与：蒋思源、吴攀 生成对抗网络（GAN）是近段时间以来最受研究者关注的机器学习方法之一，深度学习泰斗 Yann LeCun 就曾多次谈到 这种机器学习理念的巨大价值和未来前景。在本文中，机器之心总结了 GitHub 上两篇关于 GAN 的资源，其中一篇介绍了 GAN 的一些引人关注的新理论和实践（如 Wasserstein GAN），另一篇则集中展示了大量 GAN 相关的论文。 以下是两篇原文的链接： GAN 理论&实践的新进展：https://casmls.github.io/gene
https://arxiv.org/pdf/2009.14798.pdf
据不完全统计，GAN在CVPR2020上超115篇之多；其中，可看到GAN在朝着无监督/自监督/弱监督/半监督、少样本/单样本/零样本、多模态、3D、可解释性/可控性、对抗/安全，以及更广泛的跨学科场景应用方向中不断靠拢。此外，每个月新挂在arxiv上的GAN相关论文也好几十多，来看看GAN在过去的6月都干了些啥吧！
【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
A powerful new class of large language models is making it possible for machines to write, code, draw and create with credible and sometimes superhuman results.
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 训练GANs的技巧 参考链接：[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 参考链接：[http://papers.nips.cc/paper/4824-imagenet
尽管目前只是测试阶段，但无论是操作的流畅性，还是生成效果上，Generative Fill都展示出了强大的潜力和影响力。
机器之心报道 机器之心编辑部 《西部世界》的游戏逐渐走进现实。 我们能否创造一个世界？在那个世界里，机器人能够像人类一样生活、工作、社交，去复刻人类社会的方方面面。 这种想象，曾在影视作品《西部世界》的设定中被完美地还原出来：众多预装了故事情节的机器人被投放到一个主题公园内，它们可以像人类一样行事，记得自己看到的东西、遇到的人、说过的话。每天，机器人都会被重置，回到它们的核心故事情节中。 《西部世界》剧照，左边人物为预装了故事情节的机器人。 再把想象力扩张一下：放在今天，如果我们想把 ChatGPT 这样
https://arxiv.xilesou.top/pdf/1903.04227.pdf
我们能否创造一个世界？在那个世界里，机器人能够像人类一样生活、工作、社交，去复刻人类社会的方方面面。
Mihaela Rosca, Balaji Lakshminarayanan, David Warde-Farley, Shakir Mohamed
图片大小限制，更多可访问 http://www.stat.ucla.edu/~jxie/STGConvNet/STGConvNet.html
本文对人脸对齐的综述，介绍了人脸对齐的定义、发展历程、方法、挑战和未来方向。主要包括人脸对齐的两种方法：生成方法和判别方法。生成方法包括基于形状的生成方法和基于纹理的生成方法，判别方法包括基于距离的判别方法和基于相似性的判别方法。生成方法具有较好的对齐效果，但计算复杂度较高；而判别方法计算复杂度较低，但效果相对较差。文章还介绍了人脸对齐的评估方法，包括基于距离的评估方法和基于相似性的评估方法。最后，文章探讨了人脸对齐的应用，包括人脸检测、人脸识别、人脸表情识别等。
【新智元导读】ICLR 2017 将于2017年4月24日至26日在法国土伦（toulon）举行，11月4日已经停止接收论文。本文汇总了本年度NLP、无监督学习、对抗式生成、自动编码、增强学习、随机循
001 (2020-07-30) Unsupervised Disentanglement GAN for Domain Adaptive Person Re-Identification
Automated discovery of early visual concepts from raw image data is a major open challenge in AI research.
原文链接：https://machinelearningmastery.com/impressive-applications-of-generative-adversarial-networks/
Automatic Speech Recognition & The Rise Of Audio Intelligence
【导读】专知内容组整理了最近八篇生成对抗网络（Generative Adversarial Networks ）相关文章，为大家进行介绍，欢迎查看! 1.Correlated discrete data generation using adversarial training（使用对抗训练的相关离散数据生成） ---- ---- 作者：Shreyas Patel,Ashutosh Kakadiya,Maitrey Mehta,Raj Derasari,Rahul Patel,Ratnik Gandhi 机
欢迎来到《每周CV论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。
本库是用 TensorFlow 实现的基于 GAN 的极限图像压缩框架。该方法由 Agustsson 等人开发，该方法非常有趣，详细信息请查阅论文：
By HKL, on Friday 2023-07-28 02:22, tagged: 🏷️Microsoft 🏷️AI 🏷️ChatGPT
Generating Videos with Scene Dynamics Carl Vondrick Hamed Pirsiavash Antonio Torralba NIPS 2016 Dow
众所周知，标注工作往往费时耗力甚至不可行。而类似深度学习等的机器学习方法，在缺乏带标签数据下，效果大打折扣甚至无法施展。
ICLR 2017 的 submission DDL 刚刚过，网上就纷纷有了 ICLR 2017 导读的文章。本周我也将为大家带来 ICLR 2017 submission 的分类导读，而且是更详细地介绍！今天开篇就来介绍我一直很关注也一直在做的 GAN 方面的部分论文（不是全部，分批介绍吧）。
https://github.com/ago109/predictive-forward-forward
今天我们来说说GAN，这个被誉为新的深度学习的技术。由于内容非常多，我们会分上下两期。今天这一期是上，我们从以下几个方向来说。（1）生成式模型与判别式模型。（2）GAN的基本原理。（3）GAN的应用。同时也预告一下下期的内容，（1）GAN的优化目标，（2）GAN的模型发展（3）GAN的训练技巧。
Generative Image Modeling using Style and Structure Adversarial Networks
"Aapo did it again!" - I exclaimed while reading this paper yesterday on the train back home (or at least I thought I was going home until I realised I was sitting on the wrong train the whole time. This gave me a couple more hours to think while traveling on a variety of long-distance buses...)
本文主要推荐一些生成对抗网络（GAN，generative adversarial networks）相关的值得精读的论文，主要涉及GAN的优化，图像翻译，视频预测三个领域，可以作为GAN的学习顺序进行阅读。
本文汇总了ECCV 2020上部分对抗相关论文，后续公众号会随缘对一些paper做解读。感兴趣的同学，可先自行根据标题，搜索对应链接（有些paper可能未公布）。值得注意的是，这里的对抗包括了生成对抗GAN、以及对抗攻击/防御，两者概念上是迥然的。
今天主要是给大家呈上今年1月份在arxiv上的部分GAN论文（50多篇），涵盖各个方向的进展。若有兴趣，也可先读读下述几首诗词。
Neural architectures trained with back-propagation of errors are susceptible to catastrophic forgetting. In other words, old information acquired by these models is lost when new information for new tasks is acquired. This makes building models that continually learn extremely difficult if not near impossible. The focus of the NAC group's research is to draw from models of cognition and biological neurocircuitry, as well as theories of mind and brain functionality, to construct new learning procedures and architectures that generalize across tasks and continually adapt to novel situations, combining input from multiple modalities/sensory channels. The NAC team is focused with developing novel, neurocognitively-inspired learning algorithms and memory architectures for artificial neural systems (for both non-spiking and spiking neurons). Furthermore, we explore and develop nature-inspired metaheuristic optimization algorithms, ranging from (neuro-)evolution to ant colony optimization to hybrid procedures. We primarily are concerned with the various sub-problems associated with lifelong machine learning, which subsumes online/stream learning, transfer learning, multi-task learning, multi-modal/input learning, and semi-supervised learning.
【导读】专知内容组整理了最近八篇生成对抗网络（Generative Adversarial Networks ）相关文章，为大家进行介绍，欢迎查看! 1.Improving GAN Training via Binarized Representation Entropy (BRE) Regularization（通过二值化表示熵(BRE)正则改进GAN训练） ---- ---- 作者：Yanshuai Cao,Gavin Weiguang Ding,Kry Yik-Chau Lui,Ruitong Hua
https://github.com/chenxy99/Generative-Temporal-Models-with-Spatial-Memory https://github.com/chenxy99/Generative-Temporal-Models-with-Spatial-Memory paper： https://www.groundai.com/project/generative-temporal-models-with-spatial-memory-for-partially-obser
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
本文结构： 什么是 GAN？ 优点？ keras 例子？ ---- 什么是 GAN？ GAN，全称为 Generative Adversarial Nets，直译为生成式对抗网络，是一种非监督式模型。
有GitHub小伙伴提供了前人的肩膀供你站上去。TA汇总了18种热门GAN的PyTorch实现，还列出了每一种GAN的论文地址，可谓良心资源。
【新智元导读】今天，Ian Goodfellow开展了一场有关生成对抗网络（GAN）的最新AMA问答，从他小时候如何学习编程，如何想出GAN这个idea，到具体的技术和应用，Goodfellow都作出了专业而且诚恳的回答。Goodfellow认为不止是GAN，胶囊网络、强化学习、半监督学习等等方法都很重要，也值得更多人重视。 关于GAN：想法来自酒后与同行的争论 问：有传言说你是在一家小酒馆里想出了GAN的idea，是这样吗？ Ian Goodfellow ：这是真事，不仅仅是传言。我之前在好几次采访中都讲
上面的prompt通过关键词act as让ChatGPT扮演一名英语老师，并且严格检查我的语法、拼写、和事实错误并且更正。
[1] Bertalmio, M., Sapiro, G., Caselles, V., & Ballester, C. (2000, July). Image inpainting. In SIGGRAPH (pp. 417-424). [paper]
【导读】DeepMind 统计机器学习科学家Shakir Mohamed和Danilo Rezende在UAI2017大会上介绍了深度生成模型（Deep Generative Models）的最新进展。报告主要是回顾了深度生成模型（Deep Generative Models）的最新进展，两位讲者提及了深度生成模型的研究处于当前深度学习研究的前沿地带，会有越来越多的研究者关注。近几年的深度生成模型方法尝试将概率推理的普遍性与深度学习的可扩展性相结合来开发新的深度学习算法，在图像生成、语音合成和图像字幕等方面
In this paper, we propose a generative model, Temporal Generative Adversarial Nets (TGAN), which can learn a semantic representation of unlabeled videos, and is capable of generating videos. Unlike existing Generative Adversarial Nets (GAN)-based methods that generate videos with a single generator consisting of 3D deconvolutional layers, our model exploits two different types of generators: a temporal generator and an image generator. The temporal generator takes a single latent variable as input and outputs a set of latent variables, each of which corresponds to an image frame in a video. The image generator transforms a set of such latent variables into a video. To deal with instability in training of GAN with such advanced networks, we adopt a recently proposed model, Wasserstein GAN, and propose a novel method to train it stably in an end-to-end manner. The experimental results demonstrate the effectiveness of our methods.
chilipepperhott/generative-art 是一个全新的交互式生成艺术服务，用 Rust 编写，可以编译为 wasm 。访问 https://elijahpotter.dev/art/ 即可在线体验。
领取专属 10元无门槛券
手把手带您无忧上云
