generative 第13页

2021李宏毅机器学习笔记--22 Generative Adversarial Network 01

@[TOC](2021李宏毅机器学习笔记–22GenerativeAdversarialNetwork01(GAN,生成式对抗网络))摘要GAN是建立于神经网络的基础上的，其核心思想是“生成”与“对抗”，GAN网络结构包含两个模型，一个是生成模型（Generator），另一个是判别模型（Discriminator）。生成模型一般是使用反卷积神经网络或者全连接神经网络，通过输入的数据生成二维图像，而

guoxinxin0605·2022-10-28 05:58

【读文献】Generative models for graph-based protein design 蛋白质设计

出处作者：J.Ingraham等机构：MIT期刊：NeurIPS,2019code：https://github.com/jingraham/neurips19-graph-protein-design摘要提出了一种给定3D结构，基于图表征的条件生成模型。在蛋白质中，有一类复杂的依赖关系在蛋白质序列上较远但在蛋白质三维结构上是较近的。这篇论文着重强调了他们的方法对这种依赖关系的捕捉能力。介绍在Tr

无名草鸟·2022-10-27 22:52

【研一小白论文精读】Joint Generative and Contrastive Learning for Unsupervised Person Re-identification

Abstract就是将GAN和对比学习模块结合起来，对比学习不是需要数据增强吗，就用GAN的视图生成器来做这个增强，还提出了一种对比学习的损失函数，实验也证明取得了SOTA。IntroductionReID的目标是从不同视图中识别物体，也即是根据可视化相似度从gallery中识别query，gallery和query其实就是对比学习中的两个试图，也是一大一小数据集和样本这样的一个关系。直白一点就是

Titus W·2022-10-26 16:01

时间序列-异常检测（Anomaly Detection）（四）：深度学习方法

一、概述基于深度学习的时间序列异常检测算法，主要可以分为以下这么几种：针对正常数据进行训练建模，然后通过高重构误差来识别异常点，即生成式（Generative）的算法，往往是无监督的，如自编码器（AutoEncoder

u013250861·2022-10-24 20:05

cs224w（图机器学习）2021冬季课程学习笔记17 Traditional Generative Models for Graphs

诸神缄默不语-个人CSDN博文目录cs224w（图机器学习）2021冬季课程学习笔记集合VX号“PolarisRisingWar”可直接搜索添加作者好友讨论。更新日志：2021.11.16删除PPT链接，优化公式排版，上了英文维百更新了脚注4的weaklyconnectedgraph的定义文章目录1.(Traditional)GenerativeModelsforGraphs2.Propertie

诸神缄默不语·2022-10-24 20:32

GRAF: Generative Radiance Fields for 3D-Aware Image Synthesis 论文笔记

NeurIPS2020/Code/ProjectPageGRAF：从unposed的2D图片产生3D-aware的生成模型这需要在原来2DGAN的基础上增加两个模块：生成物体的3D表示方法，由3Dgenerator描述一个虚拟相机和相应的渲染器，产生该物体的2D图像GRAF使用的3Dgenerator，关键之处在于把物体用NeRF表示，而非之前基于voxel的方法（voxel会造成内存立方式增长，

萨瓦河的太阳·2022-10-23 07:16

[论文精读]GRAF: Generative Radiance Fields for 3D-Aware Image Synthesis

[论文精读]GRAF:GenerativeRadianceFieldsfor3D-AwareImageSynthesis目录[论文精读]GRAF:GenerativeRadianceFieldsfor3D-AwareImageSynthesis前言摘要贡献方法NeRFVolumeRenderingGenerativeRadianceFields(主要方法)GeneratorRaySampling3

大头蘑菇汤·2022-10-23 07:46

Generative Adverarial Networks for Hyperspectral Image Classification（2019）——深度学习论文笔记（十一）

GenerativeAdversarialNetworksforHyperspectralImageClassification（2019）文章目录GenerativeAdversarialNetworksforHyperspectralImageClassification（2019）Abstract1.INTRODUCTION2.BACKGROUND3.PROPOSEDMETHODSA.Fra

immortal12·2022-10-20 22:18

MM2018/风格迁移-Style Separation and Synthesis via Generative Adversarial Networks通过生成性对抗网络进行风格分离和合成

StyleSeparationandSynthesisviaGenerativeAdversarialNetworks通过生成性对抗网络进行风格分离和合成0.摘要1.概述2.相关工作2.1.图像风格综合2.2.生成式对抗网络3.提出的方法3.1.公式3.2.架构3.3.损失函数3.3.1对抗性损失3.3.2内容感知损失3.3.3风格感知损失3.3.4重建损失3.3.5总变化损失3.3.6全目标函数

HheeFish·2022-10-09 10:06

CNN笔记（CS231N）——生成模型（Generative Models）

总览之前我们讲的网络模型都是监督学习，这一讲我们要讲的是无监督学习。以下是本讲的总览无监督学习与监督学习最大的不同就是我们只有数据，没有任何多余的标注，我们要做的就是学习数据中隐藏的某些结构。而生成模型就属于无监督学习的一种生成模型生成模型的目标是给定训练数据，希望能获得与训练数据相同的新数据样本。我们的目标是找到训练数据的分布函数生成模型在很多场景有非常好的应用我们可以对生成模型进行分类，在本讲

Veropatrinica·2022-09-28 07:36

论文解读-SeqGAN: Sequence Generative Adversarial Nets with Policy Gradient

本文是上海交通大学张伟楠教授发表的一篇关于使用基于策略梯度的GAN来生成轨迹的文章，文章称作为一种训练产生式模型的新方法，产生式对抗性网络(GAN)利用判别模型指导产生式模型的训练，在生成实值数据方面取得了相当大的成功。然而，GAN在生成实值数据方面也存在不少的问题，例如1）产生式模型的离散输出使得从判别模型到产生式模型的梯度更新很难通过。2）判别模型只能评估完整的序列，而对于部分生成的序列，一旦

cxp_001·2022-09-27 09:21

论文总结-Generative Adversarial Nets

GenerativeAdversarialNets概述0.摘要1.介绍2.相关工作3.对抗网络4.理论结果4.1全局最优解4.2收敛性4.3理论证明的局限性5.实验6.优势和劣势7.总结和未来方向论文链接：GenerativeAdversarialNets概述该论文为生成式对抗网络（GAN）的开山之作，文章提出了一个新的生成模型框架。花了一下午的时间读完这篇论文，在此对论文的内容作一简单的梳理。希

zhongzhehua·2022-09-27 09:21

论文笔记——Generative Adversarial Nets生成对抗网络

GenerativeAdversarialNetsAbstract1Introduction2Relatedwork3Adversarialnets4TheoreticalResults5Experiments6Advantagesanddisadvantages7ConclusionsandfutureworkAbstract我们提出了一种通过对抗性过程估计生成模型的新框架，其中我们同时训练了两

小葵向前冲·2022-09-27 09:21

Semi-supervised Learning on Graphs with Generative Adversarial Nets

ABSTRACT我们研究了生成对抗网（GANs）如何帮助图的半监督学习。我们首先介绍了图的对抗学习的工作原理，然后提出了图的半监督学习的一种新方法GraphSGAN。在GraphSGAN中，生成器和分类器网络进行了一种新颖的竞争博弈。在平衡状态下，生成器在子图之间的低密度区域生成假样本。为了区分真假样本，分类器隐式地考虑了子图的密度特性。提出了一种有效的对抗学习算法，在理论上保证了对传统规范化图拉

小有名气的可爱鬼·2022-09-27 09:19

Generative Adversarial Nets原文翻译

本人在不改变原意的情况下对《GenerativeAdversarialNets.MITPress,2014》这篇经典的文章进行了翻译，由于个人水平有限，难免有疏漏或者错误的地方，若您发现文中有翻译不当之处，请私信或者留言。工作虽小，毕竟花费了作者不少精力，所以您若转载请注明出处！GenerativeAdversarialNets（译文）Abstract：我们提出了一个新的框架，主要是通过一个对

zuokuijun·2022-09-27 09:49

Generalization and Equilibrium in Generative Adversarial Nets

Paperlink:https://arxiv.org/abs/1703.00573Bloglink:http://www.offconvex.org/2017/03/30/GANs2/Github:https://github.com/PrincetonML/MIX-plus-GANs作者指出原先的工作都假设Discriminator有无限的表示能力，但是其实当Discriminator表示能力

weixin_34384557·2022-09-27 09:49

Generative Adversarial Nets[CycleGAN]

本文来自《UnpairedImage-to-ImageTranslationusingCycle-ConsistentAdversarialNetworks》，时间线为2017年3月。本文算是GAN的一个很大的应用里程点，其可以用在风格迁移，目标形变，季节变换，相片增强等等。1引言如图1所示，本文提出的方法可以进行图像风格的变化，色调的变化等等。该问题可以看成是image-to-image变换，将

weixin_30609287·2022-09-27 09:49

GANs简述（一）Generative Adversarial Nets

0、说在开头最近接触到基于机器学习进行入侵检测的项目，加上研讨班上需要面向毕设预开题，在看了最近一些论文之后打算开始小白的GANs之旅，这篇先从Goodfellow在2014年最早提出GANs这一概念的文章说起，讲述一下自己对于GANs框架的一些想法和理解，方便日后回顾，若有错误欢迎大佬指出，初学者可能有些细节讲的不算清楚。1、现状在Goodfellow大神提出GAN以后，关于GANs的研究数量直

tamchikit·2022-09-27 09:19

【论文精读】2017_ICIP_Abnormal event detection in videos using generative adversarial nets

Abnormaleventdetectioninvideosusinggenerativeadversarialnets论文地址链接Comments:BestPaper/StudentPaperAwardFinalist,IEEEInternationalConferenceonImageProcessing(ICIP),2017Abstract 使用正常帧和对应的光流图来训练GAN学习场景的正

几帧从前_·2022-09-27 09:18

生成对抗网络（Generative Adversarial Nets, GANs）

文章目录GANsGANs理论推导全局最优解训练过程的收敛性优缺点代码实现：基于Tensorflow2.2实现，代码见gitub。参考文献1.GenerativeAdversarialNets2.UnderstandingGenerativeAdversarialNetworks(GANs)3.对抗生成网络学习（一）——GAN实现mnist手写数字生成(tensorflow实现)生成对抗网络（Gen

十里清风·2022-09-27 09:18

Conditional Generative Adversarial Nets（CGAN）

前言：这篇博客为阅读论文后的总结与感受，方便日后翻阅、查缺补漏，侵删！论文：ConditionalGenerativeAdversarialNets参考：博客一、博客二解决的问题：介绍这个问题前，我们首先回顾GAN的优点与缺点：GAN的优点：●GAN是一种生成式模型，相比较其他生成模型（玻尔兹曼机和GSNs）只用到了反向传播，而不需要复杂的马尔科夫链。●相比其他所有模型，GAN可以产生更加清晰，真

我会像蜗牛一样努力·2022-09-27 09:48

cGAN:Conditional Generative Adversarial Nets

论文阅读之cGAN:ConditionalGenerativeAdversarialNets#Abstract本文提出了条件-生成对抗网络（Conditional-GAN),Generator和Discriminator的输入数据除了随机噪声外还多了标签y，从而可以通过GAN生成不同classlabel的图像，用于更好的引导单模态图像生成以及多模态学习下的生成图像标签等。   #SectionII

黄小米吖·2022-09-27 09:48

GAN（Generative Adversarial Nets）的发展

GAN（GenerativeAdversarialNets），产生式对抗网络存在问题：1.无法表示数据分布2.速度慢3.resolution太小，大了无语义信息4.无reference5.intendtogeneratesameimage6.梯度消失论文摘要：1、Goodfellow,Ian,etal."Generativeadversarialnets."AdvancesinNeuralInfo

deye1979·2022-09-27 09:47

《generative adversarial nets》的解读以及实现

一论文解读1.1论文基本信息《GenerativeAdversarialNets》是IanJ.Goodfellow发表在NIPS2014上的一篇论文，也是GANs的开山之作。NIPS（NeurIPS），全称神经信息处理系统大会(ConferenceandWorkshoponNeuralInformationProcessingSystems)，是一个关于机器学习和计算神经科学的国际会议。该会议固定

勤奋的ls丶·2022-09-27 09:47

【GANs】Generative Adversarial Nets

【GANs】GenerativeAdversarialNets1GAN1.1GANs的简介1.2思想与目标函数1.3GAN代码1.4全局最优推导1.5GANs方向展望1GAN笔记视频链接1.1GANs的简介GenerativeAdversarialNets原文链接判别器模型（网络）：一般熟知的带标签的分类、回归等监督学习都属于判别器模型。学习的是某种分布下的条件概率分布p(y∣x)p(y|x)p(

SupV·2022-09-27 09:14

Semi and Weakly Supervised Semantic Segmentation Using Generative Adversarial Network

SemiandWeaklySupervisedSemanticSegmentationUsingGenerativeAdversarialNetwork3.3WeaklySupervisedlearningusingConditionalGenerativateAdversarialNetworksGAN的最近扩展是条件GAN[16]，其中向发生器和鉴别器提供额外信息（例如，图像类标签）以驱动发生

而濡木染·2022-09-10 07:12

论文翻译：2019_Bandwidth Extension On Raw Audio Via Generative Adversarial Networks

论文地址：原始音频的带宽扩展通过生成对抗网络博客作者：凌逆战博客地址：https://www.cnblogs.com/LXP-Never/p/10661950.html摘要基于神经网络的方法最近在图像合成和超分辨率任务方面展示了最先进的结果，特别是通过使用具有监督特征损失的生成对抗网络(GANs)的变体。然而，以前的特征损失公式依赖于大型辅助分类器网络的可用性，以及能够训练此类分类器的标记数据集。

凌逆战·2022-09-05 09:26

超分辨率：Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network论文翻译

KPer_Yang·2022-08-30 07:59

GPT：Generative Pre-training Transformer

基本概念Embedding嵌入层GPT模型的嵌入层分成两层，一层是token的Embedding，另一层是position的Embedding。GPT的位置编码采用自学习位置编码，不同于Transformer的使用sin、cos函数来表示位置信息的固定位置编码，自学习位置编码将位置信息映射到一个向量，使输入序列位置中的每一个都对应一个位置编码。将两个输出的结果进行相加，得到的结果就是该层输出的结果

不负韶华ღ·2022-08-29 07:15

深度学习 —— 生成对抗网络（GAN）—— 一文读懂GAN的原理

的损失函数总损失函数（泛函functional）符号解释判别器D的优化目标解释：生成器G的优化目标解释：4.GAN的训练过程算法过程训练过程：解释：1.GAN的主要思想概述GAN训练了两个网络一个是生成器（generative

程序喵；·2022-08-24 07:06

论文笔记：GRNN: Generative Regression Neural Network - A Data Leakage Attack for Federated Learning

论文名字GRNN:GenerativeRegressionNeuralNetwork-ADataLeakageAttackforFederatedLearning来源未发布年份2021.5.2作者HanchiRen,JingjingDeng,XianghuaXie核心点利用梯度信息对联邦学习中的客户端原始数据进行攻击，反推出原始数据。阅读日期2021.5.14影响因子页数17引用数引用内容总结文章

三金samkam·2022-08-19 07:41

GAN：生成对抗网络 Generative Adversarial Networks

原文链接1原理对于生成对抗网络GAN，一个简单的理解是可以将其看做博弈的过程，我们可以将生成模型和判别模型看作博弈的双方，比如在犯罪分子造假币和警察识别假币的过程中：生成模型G相当于制造假币的一方，其目的是根据看到的钱币情况和警察的识别技术，去尽量生成更加真实的、警察识别不出的假币。判别模型D相当于识别假币的一方，其目的是尽可能的识别出犯罪分子制造的假币。这样通过造假者和识假者双方的较量和朝目的的

·2022-07-27 09:55

Retinal Vessel Segmentation under Extreme Low Annotation: A Generative Adversarial Network Approach

RetinalVesselSegmentationunderExtremeLowAnnotation:AGenerativeAdversarialNetworkApproach严格意义来说不算StyleTransfer，但还没开新的分类，暂且放到风格迁移类吧。基于生成对抗网络完成超低标注的视网膜血管分割Abstract借助深度学习进行医学图像分割之前往往需要该领域的专家提供详尽的标注信息，而一些医

黄小米吖·2022-07-21 14:11

深度学习之生成式对抗网络 GAN（Generative Adversarial Networks）

一、GAN介绍生成式对抗网络GAN（GenerativeAdversarialNetworks）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。它源于2014年发表的论文：《GenerativeAdversarialNets》，论文地址：https://arxiv.org/pdf/1406.2661.pdf。模型通过框架中（至少）两个模块：生成模型（Generativemode

奔跑的大西吉·2022-07-19 07:29

论文阅读 A Data-Driven Graph Generative Model for Temporal Interaction Networks

13AData-DrivenGraphGenerativeModelforTemporalInteractionNetworkslink:https://scholar.google.com.sg/scholar_url?url=https://par.nsf.gov/servl

落悠·2022-07-15 22:00

Generative Interventions for Causal Learning——因果推断干预图像生成过程

涑月听枫·2022-07-15 10:32

【研究生工作周报】（第七周）

GenerativeAdversarialNets》李宏毅深度学习课程关于GAN的讲解GAN算法原理GAN训练过程GAN价值函数推导过程学习时间：6.19~6.25学习产出：CSDN技术博客1篇github代码GAN概述生成对抗网络GAN（Generative

wangyunpeng33·2022-06-27 07:29

stylegan3：alias-free generative adversarial networks

StyleGAN3论文解读-知乎好久没写论文解读了，今天写个最近大火的模型”StyleGAN3“，论文很长，我挑重点整理总结一下:)本文的出发点：作者们在本文探索并尝试解决生成模型（GAN）的一个普遍问题：生成的过程并不是一个自然的层次化生…https://zhuanlan.zhihu.com/p/425791703StyleGAN3（Alias-FreeGenerativeAdversarial

Kun Li·2022-06-23 09:53

2020李宏毅机器学习笔记-Generative Adversarial Network - Theory behind GAN

目录摘要1.TheorybehindGAN2.MaximumLikelihoodEstimation3.MLE=MinimizeKLDivergence4.Generator5.Discriminator6.GDAlgorithmforGAN7.AlgorithmforGAN（Review）结论与展望摘要从某种意义上来讲,GAN图片生成任务就是生成概率分布。因此,我们有必要结合概率分布来理解GAN

ZN_daydayup·2022-06-18 07:09

2020李宏毅机器学习笔记-Generative Adversarial Network - Conditional GAN

目录摘要1.Text-to-Image1.1Traditionalsupervisedapproach1.2ConditionalGAN1.3ConditionalGAN-Discriminator1.4StackGAN2.Image-to-image2.1application2.2Traditionalsupervisedapproach2.3ConditionalGAN3.SpeechEnh

ZN_daydayup·2022-06-18 07:39

CVPR 2018 | Generative Image Inpainting with Contextual Attention 阅读笔记（翻译）

GenerativeImageInpaintingwithContextualAttention作者：JiahuiYu1^11ZheLin2^22JimeiYang2^22XiaohuiShen2^22XinLu2^22ThomasS.Huang1^11单位：1^11UniversityofIllinoisatUrbana-Champaign2^22AdobeResearch会议：CVPR2018

ybacm·2022-06-18 07:08

Generative Image Inpainting with Contextual Attention（CVPR2018）

目录Abstract（摘要）：1.Introduction2、RelatedWork（相关工作）2.1.ImageInpainting(图像修复)2.2.AttentionModeling(注意力模型)3、ImprovedGenerativeInpaintingNetwork(改进的生成修复网络)4、ImageInpaintingwithContextualAttention4.1.Context

change_lkl·2022-06-18 07:45

Free-Form Image Inpainting with Gated Convolution

Free-FormImageInpaintingwithGatedConvolutioncode&paper:https://github.com/JiahuiYu/generative_inpainting

Longlongaaago·2022-06-18 07:43

基于生成对抗网络的无监督单幅图像去雾（Unsupervised single image dehazing with generative adversarial network_2021）

摘要：本文提出了一种基于GAN的无监督去雾算法来缓解这个问题。建立了一个基于GAN架构的端到端网络，并提供了未配对的干净和朦胧图像，这意味着不需要估计大气光和传输。所提出的网络由三部分组成：生成器、全局测试鉴别器和局部上下文鉴别器。此外，应用基于暗通道先验的注意机制来处理不一致的雾度。使用RESIDE数据集进行实验。大量实验证明了所提出方法的有效性，该方法在很大程度上优于以前最先进的无监督方法。本

啦啦啦啦啦啦.·2022-06-11 07:33

Image Synthesis in Multi-Contrast MRI With Conditional Generative Adversarial Networks—论文解读

ImageSynthesisinMulti-ContrastMRIWithConditionalGenerativeAdversarialNetworks文章概述及亮点摘要介绍方法数据集数据归一化与图像配准网络训练用于比较的模型实验基于GAN的模型比较和SOAT合成方法比较光谱密度分析泛化性抗噪性代码文章概述及亮点作者的应用场景单模态的不同对比图像间的转换，是比如给定T1MRI，合成T2MRI。作

风雪夜归人o·2022-06-05 07:02

Spectrally Normalized Generative Adversarial Networks (SN-GAN)谱归一化在GAN中的运用。

《SpectralNormalizationforGenerativeAdversarialNetworks》是TakeruMiyato在2018年发表的一篇将谱理论应用于GAN的论文。SN-GAN将鉴别器中的权重矩阵归一化为对应的谱范数，有助于控制鉴别器的Lipschitz常数。说明了参数矩阵的谱范数对多层神经网络泛化的影响。利普希茨连续（Lipschitz连续），要求函数图像的曲线上任意两点连

Daylight..·2022-06-05 07:57

[TMI2019-07]Ea-GANs: Edge-Aware Generative Adversarial Networks for CrossModality MR Image Synthesis

Ea-GANs:Edge-AwareGenerativeAdversarialNetworksforCrossModalityMRImageSynthesis为了利用来自多重成像模态的互补信息，跨模态MR图像合成引起了越来越多的研究兴趣。但是，大多数现有方法仅着眼于最小化像素/体素方向的强度差异，而忽略了图像内容结构的纹理细节，这影响了合成图像的质量。具体来说，我们集成了边缘信息，以反映图像内容的

胖头猫·2022-06-05 07:42

CGAN及代码实现

前言本文主要介绍CGAN及其代码实现阅读本文之前，建议先阅读GAN(生成对抗网络)本文基于一次课程实验，代码仅上传了需要补充部分CGAN全称：Conditional Generative Adversarial

长命百岁️·2022-05-23 07:40

Text to image论文精读 GAN-CLS和GAN-INT：Generative Adversarial Text to Image Synthesis生成性对抗性文本图像合成（文本生成图像）

GenerativeAdversarialTexttoImageSynthesis生成性对抗性文本图像合成一、摘要二、关键词三、相关工作四、背景知识4.1、GAN4.2、Deepsymmetricstructuredjointembedding三、主要方法3.1、框架3.2、第一个改进：GAN-CLS3.3、第二个改进：GAN-INT四、实验4.1、数据集4.2、文本特征的预训练4.3、训练过程4

中杯可乐多加冰·2022-05-19 09:11

深度学习（七）Generative Adversarial Network——笔记

目录GenerativeAdversarialNetwork(GAN)1.Text-to-Image2.ConditionalGAN3.StackGAN4.Image-to-image5.PatchGAN6.SpeechEnhancementGenerativeAdversarialNetwork(GAN)GAN的主要作用是用来做生成对象，输入向量，得到对应的对象1.Text-to-Image2.

鹿衔草啊·2022-05-17 16:30

推荐频道

generative