前言生成对抗网络GANs, Generative Adversarial Networks是一种深度学习架构由生成器Generator和判别器Discriminator组成通常用于生成逼真的数据如图像、视频、音频等。GANs 在多个领域中得到了广泛的应用且其优点也使得它在很多场景中表现出色。·GAN的优点包括生成高质量数据、无监督学习、数据增强、灵活性和适应性、高效的表示学习、创新的生成能力、对抗训练的鲁棒性该专栏主要利用Pytorch框架复现关于图像生成的GAN模型系列论文代码。目前包括的内容有关于图像超分辨率、低数据集样本图像生成等方面的作品。代码使用教程链接CSDN专栏关于生成对抗网络GAN的代码使用教程_哔哩哔哩_bilibili该专栏下的每篇文章主要由以下几个部分构成文章简介论文题目来源摘要模型结构与创新设计损失计算训练自己数据集的代码文章分类超分辨率篇、损失函数篇、特殊场景应用篇、新结构设计以及暂未分类的篇章。入门指南生成对抗网络GANs入门介绍指南让AI学会“创造“的魔法一生成对抗网络GANs入门介绍指南让AI学会“创造“的魔法二【深入版】常见问题及生成技术综述模式奔溃综述GAN模式奔溃的探讨论文综述一图像生成技术综述工业缺陷图像生成综述一评估指标PSNRISSSIMMAECMMD超分辨率ISRGAN高分辨率图像生成训练自己的低分辨率图像结合对抗、均方、感知三种损失以及对称卷积神经网络来实现超分辨率重建SRGANCBAM的结构设计实现超分辨率对称卷积神经网络结构实现超分辨率GANECA注意力机制实现图像超分辨率重建损失函数利用特征分布的差异来指导GAN的训练一种基于扰动卷积层和梯度归一化的生成对抗网络LSGAN中结合重建损失GAN-C约束鉴别器训练自己的数据集利用推土机距离与梯度惩罚在ACGAN中训练对GAN的交替优化粒子群优化算法在GAN中的应用在训练图像和生成器之间建立逻辑和互惠的损失函数来训练GAN模型混合成员GAN训练自己的数据集最小二乘梯度归一化设计一种基于最小二乘生成对抗网络的图像去噪算法SPGAN: 相似性损失CLR-GAN一致性潜在表示特殊场景应用三元DCGAN生成RGB图像用于红外图像着色生成基于最小二乘生成对抗网络的快速电磁超表面单元设计基于多尺度融合生成对抗网络的水下图像增强浑浊水下图像增强结合mobilenetV2和FPN的GAN去雾算法促进恶意软件图像合成GANFSGAN实现少样本视网膜血管分割利用深度残差GAN做运动图像的去模糊结合噪声制导与全局特征的GAN模型新结构设计利用多生成器来预防模式崩溃一种基于扰动卷积层和梯度归一化的生成对抗网络融合注意力机制和残差结构的EIGGAN独立训练两个GAN来覆盖原始数据分布的不同部分在鉴别器的输入中结合MHA来对少样本有更多注意CHAIN设计了一种归一化方法应用在了鉴别器上风格迁移CLIPstyle文生图风格迁移生成自己描述的风格图序列信息基于GAN序列后向选择的情绪识别增强方法低照度图像增强LLGAN低光照图像增强方法EnlightenGAN低照度图像增强文本生成图像HDGANStackGAN堆叠生成对抗网络StoryGANACGAN基于上下文感知的文升图GAN模型STORM推理生成图像图像修复WGANU-Net架构实现图像修复SCGAN实现人脸修复普通GAN的人脸修复_dcgan人脸修复BCGAN实现双生成器架构的人脸面部生成EPGAN融合高效注意力的生成对抗网络图像修复算法DTPD基于扩散的图像恢复方法通用设计篇NICKLE_AND_DIME_GAN知识蒸馏与模型压缩技术的生成模型适用于低数据领域问题的EVAGAN网络SOMGAN用自组织映射改善GAN的模式探索能力扩散与自回归基线模型扩散系列-DDPM扩散模型扩散系列-RRDM残差扩散去噪模型扩散系列-Fast-DDPM医学图像生成ShortDF模型自回归系列-RandAR3D生成这部分的内容建议需要体现修读计算机图形学与渲染技术。NeRF3D神经辐射场
