会员服务
生成对抗网络（GAN）是Ian Goodfellow及其同事在2014年设计的一类机器学习框架。两个神经网络在游戏中相互竞争（从博弈论的角度讲，通常但并非总是以零和博弈的形式）。 在给定训练集的情况下，该技术将学习生成具有与训练集相同的统计数据的新数据。 例如，受过照片训练的GAN可以生成新照片，这些新照片至少对人类观察者而言表面上看起来真实，具有许多现实特征。 尽管GAN最初是作为一种形式的无监督学习模型提出的，但它也已被证明可用于半监督学习，完全监督学习和强化学习。

知识荟萃

生成对抗网络（GAN）专知荟萃

一、理论学习

  1. 训练GANs的技巧

参考链接：[http://papers.nips.cc/paper/6124-improved-techniques-for-training-gans.pdf] 2. Energy-Based GANs 以及Yann Le Cun 的相关研究
参考链接：[http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf] 3. 模式正则化GAN
参考链接：[https://arxiv.org/pdf/1612.02136.pdf] 4. 最新NIPS2016也有最新的关于训练GAN模型的总结
参考链接：[https://github.com/soumith/ganhacks] 5. 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。
参考链接： [https://github.com/hindupuravinash/the-gan-zoo]

二、综述

1.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

三、报告

  1. Ian Goodfellow的GANs报告ICCV 2017
    参考链接：[https://pan.baidu.com/s/1bpIZvfL]
  2. Ian Goodfellow的GANs报告ICCV 2017的中文讲稿
    参考链接：[https://mp.weixin.qq.com/s/nPBFrnO3_QJjAzm37G5ceQ]
  3. Ian Goodfellow的GANs报告NIPS 2016
    参考链接：[http://www.iangoodfellow.com/slides/2016-12-04-NIPS.pdf]
  4. Ian Goodfellow的GANs报告NIPS 2016 的中文讲稿
    参考链接：[http://www.sohu.com/a/121189842_465975]
  5. Russ Salakhutdinov的深度生成模型
    参考链接：[http://www.cs.toronto.edu/~rsalakhu/talk_Montreal_2016_Salakhutdinov.pdf]

四、教程

  1. NIPS 2016教程：生成对抗网络

参考链接：[https://arxiv.org/pdf/1701.00160.pdf] 2. 训练GANs的技巧和窍门
参考链接：[https://github.com/soumith/ganhacks] 3. OpenAI生成模型
参考链接：[https://blog.openai.com/generative-models/] 4. 用Keras实现MNIST生成对抗模型
参考链接：[https://oshearesearch.com/index.PHP/2016/07/01/mnist-generative-adversarial-model-in-keras/] 5. 用深度学习TensorFlow实现图像修复
参考链接：[http://bamos.github.io/2016/08/09/deep-completion/]

五、中文博客资料

1.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]
2.深入浅出：GAN原理与应用入门介绍
[https://zhuanlan.zhihu.com/p/28731033]
3.港理工在读博士李嫣然深入浅出GAN之应用篇
参考链接：链接: [https://pan.baidu.com/s/1o8n4UDk] 密码: 78wt
4.萌物生成器：如何使用四种GAN制造猫图
参考链接：[https://zhuanlan.zhihu.com/p/27769807]
5.GAN学习指南：从原理入门到制作生成Demo
参考链接：[https://zhuanlan.zhihu.com/p/24767059x]
6.生成式对抗网络GAN研究进展
参考链接：[http://blog.csdn.net/solomon1558/article/details/52537114]
7.生成对抗网络（GAN）的前沿进展（论文、报告、框架和Github资源）汇总
参考链接：[http://blog.csdn.net/love666666shen/article/details/74953970]

六、Github资源以及模型

  1. 深度卷积生成对抗模型（DCGAN）

参考链接：[https://github.com/Newmu/dcgan_code]
2. TensorFlow实现深度卷积生成对抗模型（DCGAN）
参考链接：[https://github.com/carpedm20/DCGAN-tensorflow]
3. Torch实现深度卷积生成对抗模型（DCGAN）
参考链接：[https://github.com/soumith/dcgan.torch]
4. Keras实现深度卷积生成对抗模型（DCGAN）
参考链接：[https://github.com/jacobgil/keras-dcgan]
5. 使用神经网络生成自然图像（Facebook的Eyescream项目）
参考链接：[https://github.com/facebook/eyescream]
6. 对抗自编码（AdversarialAutoEncoder）
参考链接：[https://github.com/musyoku/adversarial-autoencoder]
7. 利用ThoughtVectors 实现文本到图像的合成
参考链接：[https://github.com/paarthneekhara/text-to-image]
8. 对抗样本生成器（Adversarialexample generator）
参考链接：[https://github.com/e-lab/torch-toolbox/tree/master/Adversarial]
9. 深度生成模型的半监督学习
参考链接：[https://github.com/dpkingma/nips14-ssl]
10. GANs的训练方法
参考链接：[https://github.com/openai/improved-gan]
11. 生成式矩匹配网络（Generative Moment Matching Networks, GMMNs）
参考链接：[https://github.com/yujiali/gmmn]
12. 对抗视频生成
参考链接：[https://github.com/dyelax/Adversarial_Video_Generation]
13. 基于条件对抗网络的图像到图像翻译（pix2pix）
参考链接：[https://github.com/phillipi/pix2pix]
14. 对抗机器学习库Cleverhans,
参考链接：[https://github.com/openai/cleverhans]

七、最新研究论文

2014

  1. 对抗实例的解释和利用（Explaining and Harnessing Adversarial Examples）2014
    原文链接：[https://arxiv.org/pdf/1412.6572.pdf]
  2. 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：[https://arxiv.org/pdf/1406.5298v2.pdf]
  3. 条件生成对抗网络（Conditional Generative Adversarial Nets）2014
    原文链接：[https://arxiv.org/pdf/1411.1784v1.pdf]

2015

  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：[https://arxiv.org/pdf/1511.06434v2.pdf]
  2. 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：[http://papers.nips.cc/paper/5773-deep-generative-image-models-using-a-5. laplacian-pyramid-of-adversarial-networks.pdf]
  3. 生成式矩匹配网络（Generative Moment Matching Networks）2015
    原文链接：[http://proceedings.mlr.press/v37/li15.pdf]
  4. 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：[https://arxiv.org/pdf/1511.05440.pdf]
  5. 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：[https://arxiv.org/pdf/1512.09300.pdf]
  6. 对抗自编码（Adversarial Autoencoders）2015
    原文链接：[https://arxiv.org/pdf/1511.05644.pdf]
  7. 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：[https://arxiv.org/pdf/1606.05328.pdf]
  8. 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：[https://arxiv.org/pdf/1505.03906.pdf]

2016

  1. 训练GANs的一些技巧（Improved Techniques for Training GANs）2016
    原文链接：[https://arxiv.org/pdf/1606.03498v1.pdf]
  2. 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：[https://arxiv.org/pdf/1606.03657v1.pdf]
    3.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： [http://www.cvfoundation.org/openaccess/content_cvpr_2016/papers/Pathak_Context_Encoders_Feature_CVPR_2016_paper.pdf]
  3. 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：[http://proceedings.mlr.press/v48/reed16.pdf]
  4. 对抗特征学习（Adversarial Feature Learning）2016
    原文链接：[https://arxiv.org/pdf/1605.09782.pdf]
  5. 结合逆自回归流的变分推理（Improving Variational Inference with Inverse Autoregressive Flow ）2016
    原文链接： [https://papers.nips.cc/paper/6581-improving-variational-autoencoders-with-inverse-autoregressive-flow.pdf]
  6. 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：[https://arxiv.org/pdf/1602.02697.pdf]
  7. 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：[https://arxiv.org/pdf/1603.08575.pdf]
  8. 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： [http://papers.nips.cc/paper/6066-tagger-deep-unsupervised-perceptual-grouping.pdf]
    10.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：[https://arxiv.org/pdf/1609.03552.pdf]
  9. 对抗性推断学习（Adversarially Learned Inference）2016
    原文链接：[https://arxiv.org/pdf/1606.00704.pdf]
  10. 基于循环对抗网络的图像生成（Generating images with recurrent adversarial networks）2016
    原文链接：[https://arxiv.org/pdf/1602.05110.pdf]
  11. 生成对抗模仿学习(Generative Adversarial Imitation Learning）2016
    原文链接：[http://papers.nips.cc/paper/6391-generative-adversarial-imitation-learning.pdf]
  12. 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：[https://arxiv.org/pdf/1610.07584.pdf]
  13. 学习画画（Learning What and Where to Draw）2016
    原文链接：[https://arxiv.org/pdf/1610.02454v1.pdf]
  14. 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：[https://arxiv.org/pdf/1610.09585.pdf]
  15. 隐生成模型的学习（Learning in Implicit Generative Models）2016
    原文：[https://arxiv.org/pdf/1610.03483.pdf]
  16. VIME: 变分信息最大化探索（VIME: Variational Information Maximizing Exploration）2016
    原文链接： [http://papers.nips.cc/paper/6591-vime-variational-information-maximizing-exploration.pdf]
  17. 生成对抗网络的展开（Unrolled Generative Adversarial Networks）2016
    原文链接：[https://arxiv.org/pdf/1611.02163.pdf]
  18. 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：[https://arxiv.org/pdf/1609.07093.pdf]
  19. 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：[https://arxiv.org/pdf/1611.04273.pdf]
  20. 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：[https://arxiv.org/pdf/1610.01945.pdf]
  21. 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：[https://arxiv.org/pdf/1612.07828.pdf]
  22. 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：[https://arxiv.org/pdf/1609.09444.pdf]
  23. 生成多对抗网络（Generative Multi-Adversarial Networks）2016
    原文链接：[https://arxiv.org/pdf/1611.01673.pdf]
  24. 生成对抗网络组合（Ensembles of Generative Adversarial Network）2016
    原文链接：[https://arxiv.org/pdf/1612.00991.pdf]
  25. 改进生成器目标的GANs(Improved generator objectives for GANs) 2016
    原文链接：[https://arxiv.org/pdf/1612.02780.pdf]

2017

  1. 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：[https://arxiv.org/pdf/1701.04862.pdf]
  2. 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：[https://openreview.NET/pdf?id=HJC88BzFl]
  3. 生成混合模型（Generative Mixture of Networks）2017
    原文链接：[https://arxiv.org/pdf/1702.03307.pdf]
  4. 记忆生成时空模型（Generative Temporal Models with Memory）2017
    原文链接：[https://arxiv.org/pdf/1702.04649.pdf]
  5. 止GAN暴力：生成性非对抗模型（Stopping GAN Violence: Generative Unadversarial Networks）2017
    原文链接：[https://arxiv.org/pdf/1703.02528.pdf]
  6. 贝叶斯GANs:贝叶斯与GAN结合（Bayesian GAN) 原文链接：https://arxiv.org/abs/1705.09558

初步版本，水平有限，有错误或者不完善的地方，欢迎大家提建议和补充，会一直保持更新，敬请关注http://www.zhuanzhi.ai 和关注专知公众号，获取第一手AI相关知识

VIP内容

深度学习 · 面部修复 · 生成对抗网络 · 卷积神经网络 ·
1 月 5 日
基于深度学习的面部修复技术综述
专知会员服务
专知会员服务
专知，提供专业可信的知识分发服务，让认知协作更快更好！

传统图像修复算法在修复区域涉及复杂非重复结构（如面部）时，不能准确捕捉到高级语义。近三年来基于深度学习的方法被应用于图像修复中，其修复结果的结构相似性较传统方法提高了10%以上。首先阐述了面部修复技术的研究发展历程，主要介绍了基于深度学习的面部修复算法，将其分为无监督和有监督两大类方法，在每一类中重点对近年来涌现的各种面部修复算法进行分析和总结；然后归纳了当前主流的六类图像数据集，以及算法性能评价指标；最后讨论了面部修复技术的未来研究方向。

http://www.arocmag.com/article/01-2021-01-002.html

成为VIP会员查看完整内容
http://www.arocmag.com/article/01-2021-01-002.html
基于深度学习的面部修复技术综述
1
12
父主题
机器学习
数据挖掘
子主题
BEGAN
LSGAN
WGAN
条件生成对抗网络
DCGAN
荟萃目录
Top