您的位置 首页 php

干货｜生成对抗网络进展全面总结（论文、框架、资源）

智云科技发布于 2022年10月20日评论关闭阅读(253)

生成模型（GenerativeModel）是一种可以通过学习训练样本来产生更多类似样本的模型。在所有生成模型当中，最具潜力的是 生成对抗网络 （Generative Adversarial Networks, GANs）。GANs 是非监督 机器学习 的一种，它的运作方式可被看做是两个神经网络相互竞争的零和游戏（zero-sum game）。

2014年，Ian Goodfellow等人在《 GenerativeAdversarial Nets 》一文中首次提出了GANs，标志着GANs的诞生。

原文链接：

PPT链接：

源码链接：

视频链接：

GAN ZOO

本文总结了一系列关于GANs的前沿工作进展

最新研究论文

  1. 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

    原文链接：

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

    原文链接：

  3. 基于深度生成模型的半监督学习（ Semi-Supervised Learning with Deep Generative Models ）2014

    原文链接：

  4. 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

    原文链接：

  5. 训练GANs的一些技巧（Improved Techniques for Training GANs）2016

    原文链接：

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

    原文链接：

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

    原文链接：

  8. 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

    原文链接：

  9. 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

    原文链接：

  10. 对抗自编码（Adversarial Autoencoders）2015

    原文链接：

  11. 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

    原文链接：

  12. 上下文像素编码：通过修复进行特征学习（Context Encoders: Feature Learning by Inpainting）2016

    原文链接： /Pathak_Context_Encoders_Feature_CVPR_2016_paper.pdf

  13. 生成对抗网络实现文本合成图像（Generative Adversarial Text to Image Synthesis）2016

    原文链接：

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

    原文链接：

  15. 对抗特征学习（Adversarial Feature Learning）2016

    原文链接：

  16. 结合逆自回归流的变分推理（Improving Variational Inference with Inverse Autoregressive Flow ）2016

    原文链接：

  17. 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

    原文 链接：

  18. 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

    原文链接：

  19. 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

    原文链接：

  20. 在自然图像流形上的生成视觉操作（Generative Visual Manipulation on the Natural Image Manifold）2016

    原文链接：

  21. 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

    原文链接：

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

    原文链接：

  23. 基于循环对抗网络的图像生成（Generating images with recurrent adversarial networks）2016

    原文链接：

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

    原文链接：

  25. 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

    原文链接：

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

    原文链接：

  27. 基于辅助分类器GANs的条件图像合成（Conditional Image Synthesis with Auxiliary Classifier GANs）2016

    原文链接：

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

    原文：

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

    原文链接：

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

    原文链接：

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

    原文链接：

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

    原文链接：

  33. 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

    原文链接：

  34. 结合生成对抗网络和Actor-Critic 方法（Connecting Generative Adversarial Networks and Actor-Critic Methods）2016

    原文链接：

  35. 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

    原文链接：

  36. 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

    原文链接：

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

    原文链接：

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

    原文链接：

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

    原文链接：

  40. 生成对抗模型的隐向量精准修复（Precise Recovery of Latent Vectors from Generative Adversarial Networks）2017

    原文链接：

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

    原文链接：

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

    原文链接：

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

    原文链接：

理论学习

1.训练GANs的技巧，

参见链接：

2.Energy-Based GANs 以及Yann Le Cun 的相关研究

参见链接：

3.模式正则化GAN

参见链接：

分辨率

报告

1.Ian Goodfellow的GANs报告

参见链 接：

2. Russ Salakhutdinov的深度生成模型

参见链接： ~rsalakhu/talk_Montreal_2016_Salakhutdinov.pdf

四、课程/ 教程

1.NIPS 2016教程：生成对抗网络

参见链接：

2.训练GANs的技巧和窍门

参见链接：

3.OpenAI生成模型

参见链接：

4.用 Keras 实现MNIST生成对抗模型

参见链接：

5.用深度学习 TensorFlow 实现图像修复

参见链接：

GAN

Github 资源以及模型

1.深度卷积生成对抗模型（DCGAN）

参见链接：

2.TensorFlow实现深度卷积生成对抗模型（DCGAN）

参见链接：

3.Torch实现深度卷积生成对抗模型（DCGAN）

参见链接：

4.Keras实现深度卷积生成对抗模型（DCGAN）

参见链接：

5.使用神经网络生成自然图像（ Facebook 的Eyescream项目）

参见链接：

6.对抗自编码（AdversarialAutoEncoder）

参见链接：

7.利用ThoughtVectors 实现文本到图像的合成

参见链接：

8.对抗样本生成器（Adversarialexample generator）

参见链接：

9.深度生成模型的半监督学习

参见链接：

10.GANs的训练方法

参见链接：

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

参见链接：

12. 对抗视频生成

参见链接：

13. 基于条件对抗网络的图像到图像翻译（pix2pix）

参见链接：

14. 对抗机器学习库Cleverhans,

参见链接：

框架以及学习库（根据GitHub的星级排序）

1. 谷歌 的TensorFlow [C++ and CUDA]

主页链接：

Github链接：

2. Berkeley Vision and LearningCenter (BVLC) 的Caffe [C++]

主页链接：

Github链接：

安装指南：

3. François Chollet的Keras [ Python ]

主页链接：

Github链接：

4. Microsoft Cognitive Toolkit -CNTK [C++]

主页链接：

Github链接：

5. Amazon 的MXNet [C++]

主页链接：

Github链接：

6. Collobert, Kavukcuoglu &Clement Farabet的Torch，被Facebook广泛采用[Lua]

主页链接：

Github链接：

  1. Andrej Karpathy 的Convnetjs [ Java Script]

    主页链接：

    Github链接：

  2. Université de Montréal的 Theano [Python]

    主页链接：

    Github链接：

  3. startup Skymind 的Deeplearning4j [Java]

    主页链接：

    Github链接：

  4. Baidu 的Paddle[C++]

    主页链接：

    Github链接：

  5. Amazon 的Deep Scalable Sparse Tensor Network Engine (DSSTNE) [C++]

    Github链接：

  6. Nervana Systems 的Neon [Python & Sass]

    主页链接：

    Github链接：

  7. Chainer [Python]

    主页链接：

    Github链接：

  8. h2o [Java]

    主页链接：

    Github链接：

  9. Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA) 的Brainstorm [Python]

    Github链接：

  10. Andrea Vedaldi 的Matconvnet by [Matlab]

    主页链接：

    Github链接：

重要链接

更多细节请参考原文链接：

另一篇GAN的各种变体：

后记

欢迎订阅关注，持续为你带来行业科技新知与科技干货。

标签:
打赏 点赞(3)

文章来源：智云一二三科技

文章标题：干货｜生成对抗网络进展全面总结（论文、框架、资源）

文章地址：https://www.zhihuclub.com/151993.shtml

关于作者: 智云科技

相关文章

热门文章

1分享新浪图床上传接口源码

点赞(953)阅读(61,230)

2PHP简单实现路由Route功能

点赞(1.16K)阅读(35,975)

3Tideways、xhprof 和 xhgui 打造 PHP 非侵入式监控平台

点赞(386)阅读(4,306)

4centos系统如何查看是否安装了mysql

点赞(551)阅读(3,798)

5curl 工具简述

点赞(530)阅读(2,986)
网站地图