查看原文
其他

【GAN货】生成对抗网络知识资料全集(论文/代码/教程/视频/文章等)

2017-10-24 专知内容组 专知

点击上方“专知”关注获取更多AI知识!


【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 Goodfellow ICCV2017演讲:解读生成对抗网络的原理与应用


今天专知内容组特此整理了GAN的知识资料大全,为大家呈上,欢迎查看。


理论学习


训练GANs的技巧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http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
模式正则化GANhttps://arxiv.org/pdf/1612.02136.pdf
最新NIPS2016也有最新的关于训练GAN模型的总结https://github.com/soumith/ganhacks
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。https://github.com/hindupuravinash/the-gan-zoo

报告


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


课程


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


中文教程



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
深入浅出:GAN原理与应用入门介绍https://zhuanlan.zhihu.com/p/28731033
港理工在读博士李嫣然深入浅出GAN之应用篇https://pan.baidu.com/s/1o8n4UDk 密码: 78wt
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》https://pan.baidu.com/s/1dEMITo9 密码: qqcc
萌物生成器:如何使用四种GAN制造猫图https://zhuanlan.zhihu.com/p/27769807
GAN学习指南:从原理入门到制作生成Demohttps://zhuanlan.zhihu.com/p/24767059x
生成式对抗网络GAN研究进展http://blog.csdn.net/solomon1558/article/details/52537114
生成对抗网络(GAN)的前沿进展(论文、报告、框架和Github资源)汇总http://blog.csdn.net/love666666shen/article/details/74953970



综述


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




Github 资源


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



 最新论文


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))2015https://arxiv.org/pdf/1511.06434v2.pdf
对抗实例的解释和利用(Explaining  and Harnessing     Adversarial  Examples)2014https://arxiv.org/pdf/1412.6572.pdf
基于深度生成模型的半监督学习(  Semi-Supervised Learning with Deep      Generative Models )2014https://arxiv.org/pdf/1406.5298v2.pdf
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)2015http://papers.nips.cc/paper/5773-deep-generative-image-models-using-a-5.
http://papers.nips.cc/paper/5773-deep-generative-image-models-using-a-5.https://arxiv.org/pdf/1606.03498v1.pdf
 条件生成对抗网络(Conditional  Generative     Adversarial Nets)2014https://arxiv.org/pdf/1411.1784v1.pdf
 生成式矩匹配网络(Generative  Moment Matching Networks)2015http://proceedings.mlr.press/v37/li15.pdf
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)2015https://arxiv.org/pdf/1511.05440.pdf
 通过学习相似性度量的超像素自编码(Autoencoding  beyond pixels using a learned similarity   metric)2015https://arxiv.org/pdf/1512.09300.pdf
对抗自编码(Adversarial     Autoencoders)2015https://arxiv.org/pdf/1511.05644.pdf
 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)2016https://arxiv.org/pdf/1606.03657v1.pdf
上下文像素编码:通过修复进行特征学习(Context     Encoders: Feature Learning by  Inpainting)2016http://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Pathak_Context_Encoders_Feature_CVPR_2016_paper.pdf
http://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Pathak_Context_Encoders_Feature_CVPR_2016_paper.pdfhttp://proceedings.mlr.press/v48/reed16.pdf
基于像素卷积神经网络的条件生成图片(Conditional   Image Generation with PixelCNN Decoders)2015https://arxiv.org/pdf/1606.05328.pdf
对抗特征学习(Adversarial  Feature     Learning)2016https://arxiv.org/pdf/1605.09782.pdf
结合逆自回归流的变分推理(Improving  Variational     Inference with Inverse  Autoregressive Flow )2016https://papers.nips.cc/paper/6581-improving-variational-autoencoders-with-inverse-autoregressive-flow.pdf
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)2016https://arxiv.org/pdf/1602.02697.pdf
 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)2016https://arxiv.org/pdf/1603.08575.pdf
 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  )2016http://papers.nips.cc/paper/6066-tagger-deep-unsupervised-perceptual-grouping.pdf
在自然图像流形上的生成视觉操作(Generative     Visual Manipulation on the Natural Image  Manifold)2016https://arxiv.org/pdf/1609.03552.pdf
 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)2015https://arxiv.org/pdf/1505.03906.pdf
对抗性推断学习(Adversarially     Learned Inference)2016https://arxiv.org/pdf/1606.00704.pdf
基于循环对抗网络的图像生成(Generating  images with recurrent adversarial networks)2016https://arxiv.org/pdf/1602.05110.pdf
生成对抗模仿学习(Generative  Adversarial Imitation Learning)2016http://papers.nips.cc/paper/6391-generative-adversarial-imitation-learning.pdf
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)2016https://arxiv.org/pdf/1610.07584.pdf
学习画画(Learning  What     and Where to Draw)2016https://arxiv.org/pdf/1610.02454v1.pdf
基于辅助分类器GANs的条件图像合成(Conditional Image      Synthesis with Auxiliary Classifier GANs)2016https://arxiv.org/pdf/1610.09585.pdf
 隐生成模型的学习(Learning  in Implicit     Generative Models)2016https://arxiv.org/pdf/1610.03483.pdf
VIME:  变分信息最大化探索(VIME: Variational     Information Maximizing Exploration)2016http://papers.nips.cc/paper/6591-vime-variational-information-maximizing-exploration.pdf
生成对抗网络的展开(Unrolled     Generative Adversarial Networks)2016https://arxiv.org/pdf/1611.02163.pdf
 训练生成对抗网络的基本方法(Towards  Principled Methods for Training Generative  Adversarial Networks)2017https://arxiv.org/pdf/1701.04862.pdf
基于内省对抗网络的神经图像编辑(Neural  Photo Editing with Introspective Adversarial    Networks)2016https://arxiv.org/pdf/1609.07093.pdf
基于解码器的生成模型的定量分析(On  the   Quantitative Analysis of  Decoder-Based Generative Models )2016https://arxiv.org/pdf/1611.04273.pdf
结合生成对抗网络和Actor-Critic  方法(Connecting Generative     Adversarial Networks and Actor-Critic  Methods)2016https://arxiv.org/pdf/1610.01945.pdf
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)2016https://arxiv.org/pdf/1612.07828.pdf
基于上下文RNN-GANs的抽象推理图的生成(Contextual     RNN-GANs  for Abstract Reasoning Diagram Generation)2016https://arxiv.org/pdf/1609.09444.pdf
生成多对抗网络(Generative     Multi-Adversarial Networks)2016https://arxiv.org/pdf/1611.01673.pdf
生成对抗网络组合(Ensembles  of   Generative Adversarial Network)2016https://arxiv.org/pdf/1612.00991.pdf
改进生成器目标的GANs(Improved  generator objectives for GANs) 2016https://arxiv.org/pdf/1612.02780.pdf
 生成对抗模型的隐向量精准修复(Precise     Recovery of Latent Vectors from  Generative Adversarial Networks)2017https://openreview.NET/pdf?id=HJC88BzFl
生成混合模型(Generative     Mixture of Networks)2017https://arxiv.org/pdf/1702.03307.pdf
 记忆生成时空模型(Generative  Temporal     Models with Memory)2017https://arxiv.org/pdf/1702.04649.pdf
 停止GAN暴力:生成性非对抗模型(Stopping GAN Violence: Generative Unadversarial     Networks2017https://arxiv.org/pdf/1703.02528.pdf



特注:


请登录www.zhuanzhi.ai或者点击阅读原文,

顶端搜索“GAN” 主题直接获取查看获得全网收录资源进行查看, 涵盖论文等资源下载链接,并获取更多与强化学习的知识资料!如下图所示。



此外,请关注专知公众号(扫一扫最下面专知二维码,或者点击上方蓝色专知),后台回复“GAN2” 就可以获取专知内容组整理的知识资料全集pdf文档!

回复“GAN” 可以获取专知内容组整理的就可以获取Ian Goodfellow的slide




 欢迎转发到你的微信群和朋友圈,分享专业AI知识!


获取更多关于机器学习以及人工智能知识资料,请访问www.zhuanzhi.ai, 或者点击阅读原文,即可得到!


-END-

欢迎使用专知

专知,一个新的认知方式!目前聚焦在人工智能领域为AI从业者提供专业可信的知识分发服务, 包括主题定制、主题链路、搜索发现等服务,帮你又好又快找到所需知识。


使用方法>>访问www.zhuanzhi.ai, 或点击文章下方“阅读原文”即可访问专知


中国科学院自动化研究所专知团队

@2017 专知


专 · 知



关注我们的公众号,获取最新关于专知以及人工智能的资讯、技术、算法、深度干货等内容。扫一扫下方关注我们的微信公众号。

点击“阅读原文”,使用专知

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存