摘要：
参考链接：https://blog.csdn.net/qq_17769915/article/details/124087687 阅读全文
摘要：
GAN的评价 在分类或者回归模型中，我们可以使用量化的指标来评价模型训练的好坏，比如： 使用分类准确率评价分类模型的性能； 使用均方误差评价回归模型的性能。 在生成模型上也需要一个评价指标来量化GAN的生成效果。 GAN指标最主要的有两个： 1. 样本生成的质量 2. 多样性 3.其他的：条件GAN 阅读全文
摘要：
GAN现在是热门的研究课题，一般有两种类型的GAN研究方向：一种是在各种各样的问题中应用GAN，另一种是试图稳定GAN的训练。 稳定GAN的训练过程是一个非常重要的事情 。 原始GAN训练过程中经常遇到的问题： 模式崩溃， 生成器生成非常窄的分布，仅覆盖数据分布中的单一模式。 模式崩溃的含义是生成器 阅读全文
摘要：
cycle GAN主要用于图像之间的转换，如图像风格转换. Cycle GAN原理 CycleGAN可以完成从一个模式到另外一个模式的转换，转换，比如从男人到女人： CycleGAN适用于非配对的图像到图像转换，CycleGAN解决了模型需要成对数据进行训练的困难。 CycleGAN的论文地址 ：h 阅读全文
摘要：
SGAN SSGAN是半监督学习生成对抗网络 (SGAN（ssgan）Semi-Supervised Learning with Generative Adversarial Networks ),初衷是利用GAN生成器生成的样本来改进和提高图像分类任务的性能。在实际的应用中有大量的数据是不带标签的 阅读全文
摘要：
图像处理的很多问题都是将一张输入的图片转变为一张对应的输出图片，比如灰度图、彩色图之间的转换、图像自动上色等.如果要根据每个问题设定一个特定的loss function 来让CNN去优化，通常都是训练CNN去缩小输入跟输出的欧氏距离，但这样通常会得到比较模糊的输出 .pix2pix GAN主要用于图 阅读全文
摘要：
《Conditional Generative Adversarial Nets》 论文地址：https://arxiv.org/pdf/1411.1784.pdf，Conditional GAN (CGAN，条件GAN)，是 Mehdi Mirza于2014年11月份发表的一篇文章，也是 GAN 阅读全文
摘要：
2016年， Alec Radford 等发表的论文 《深度卷积生成对抗网络》 （简称DCGAN， 论文网址：https://arxiv.org/abs/1511.06434）中，开创性地将卷积神经网络应用到生成对抗网络的模型算法设计当中，替代了全链接层，提高了图片场景里训练的稳定性。 DCGAN这 阅读全文
摘要：
生成对抗网络（Generative Adversarial Networks，简称GAN）是当前人工智能学界最为重要的研究热点之一。其突出的生成能力不仅可用于生成各类图像和自然语言数据，还启发和推动了各类半监督学习和无监督学习任务的发展。 2014年，还在蒙特利尔读博士的Ian Goodfellow 阅读全文
摘要：
参考：https://blog.csdn.net/weixin_42112050/article/details/117169004 阅读全文