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)
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GAN | https://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 2017 | https://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 2016 | http://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Demo | https://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Cleverhans | https://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)）2015 | https://arxiv.org/pdf/1511.06434v2.pdf |
| 对抗实例的解释和利用（Explaining and Harnessing Adversarial Examples）2014 | https://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 ）2014 | https://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）2015 | http://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）2014 | https://arxiv.org/pdf/1411.1784v1.pdf |
| 生成式矩匹配网络（Generative Moment Matching Networks）2015 | http://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）2015 | https://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）2015 | https://arxiv.org/pdf/1512.09300.pdf |
| 对抗自编码（Adversarial Autoencoders）2015 | https://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）2016 | https://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）2016 | http://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.pdf | http://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）2015 | https://arxiv.org/pdf/1606.05328.pdf |
| 对抗特征学习（Adversarial Feature Learning）2016 | https://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 ）2016 | https://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）2016 | https://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）2016 | https://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 ）2016 | http://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）2016 | https://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）2015 | https://arxiv.org/pdf/1505.03906.pdf |
| 对抗性推断学习（Adversarially Learned Inference）2016 | https://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）2016 | https://arxiv.org/pdf/1602.05110.pdf |
| 生成对抗模仿学习(Generative Adversarial Imitation Learning）2016 | http://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）2016 | https://arxiv.org/pdf/1610.07584.pdf |
| 学习画画（Learning What and Where to Draw）2016 | https://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）2016 | https://arxiv.org/pdf/1610.09585.pdf |
| 隐生成模型的学习（Learning in Implicit Generative Models）2016 | https://arxiv.org/pdf/1610.03483.pdf |
| VIME: 变分信息最大化探索（VIME: Variational Information Maximizing Exploration）2016 | http://papers.nips.cc/paper/6591-vime-variational-information-maximizing-exploration.pdf |
| 生成对抗网络的展开（Unrolled Generative Adversarial Networks）2016 | https://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）2017 | https://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）2016 | https://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 ）2016 | https://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）2016 | https://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）2016 | https://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）2016 | https://arxiv.org/pdf/1609.09444.pdf |
| 生成多对抗网络（Generative Multi-Adversarial Networks）2016 | https://arxiv.org/pdf/1611.01673.pdf |
| 生成对抗网络组合（Ensembles of Generative Adversarial Network）2016 | https://arxiv.org/pdf/1612.00991.pdf |
| 改进生成器目标的GANs(Improved generator objectives for GANs) 2016 | https://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）2017 | https://openreview.NET/pdf?id=HJC88BzFl |
| 生成混合模型（Generative Mixture of Networks）2017 | https://arxiv.org/pdf/1702.03307.pdf |
| 记忆生成时空模型（Generative Temporal Models with Memory）2017 | https://arxiv.org/pdf/1702.04649.pdf |
| 停止GAN暴力：生成性非对抗模型（Stopping GAN Violence: Generative Unadversarial Networks）2017 | https://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！