generative 第16页

每日论文Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

这篇文章用了深度残差网络同时用到GANs的概念构建的超分辨神经网络模型。主要贡献点：1.构建由MSE优化的16blocks残差网络（SRResNet）。2.SRGAN网络游GAN构建的网络。3.MOS测试在3个数据库上SRGAN都不错的效果。GAN的感知损失函数，除了GAN损失函数外还有基于内容的损失函数。内容的损失函数有两种，一种是MSE，还有一种是对VGG19的层卷积的结果求方差的损失函数。网

Tygrer·2020-08-22 00:59

【超分辨率】Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

之前我一直在做基于CNN的超分辨率研究。最近因为工作需要，需要研究基于生成对抗网络GAN的网络来做超分辨率任务。在这段时间以来，我发现CNN和GAN两类网络的侧重点其实完全不同。CNN旨在于忠实的恢复图像的高频信息，而GAN在于生成更真实或者说更符合人眼的高分辨率图片。本文论文名：《Photo-RealisticSingleImageSuper-ResolutionUsingaGenerative

Shwan_Ma·2020-08-22 00:58

CV | SRGAN论文笔记：Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

题外话时隔一年多，距离第一篇SRCNN超分系列的文章再更新>.<随着22个月的过去，超分在工业界的落地趋势逐渐明朗，让我们一起来回顾超分辨率这个领域又一经典里程碑式的方法——基于生成式对抗网络的超分辨率网络SRGAN。研究背景介绍超分辨率（superresolution）任务的目标是将输入的低分辨率图像，例如256×256的图像，等比例放大若干倍后（如放大4倍），输出尺寸为1024×1024的图像

1LOVESJohnny·2020-08-22 00:52

【文章阅读】【超解像】--Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

【文章阅读】【超解像】–Photo-RealisticSingleImageSuper-ResolutionUsingaGenerativeAdversarialNetwork论文链接：https://arxiv.org/abs/1609.04802code(tensorflow)：https://github.com/tensorlayer/srgan本文将GAN网络引入到了SR应用中，有挺多的

DaneAI·2020-08-22 00:52

论文阅读之：Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network...

Photo-RealisticSingleImageSuper-ResolutionUsingaGenerativeAdversarialNetwork2016.10.23摘要：本文针对传统超分辨方法中存在的结果过于平滑的问题，提出了结合最新的对抗网络的方法，得到了不错的效果。并且针对此网络结构，构建了自己的感知损失函数。先上一张图，展示下强大的结果：Contributions：GANs提供了强大

a1424262219·2020-08-22 00:51

论文阅读——Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

前言之前有一段时间看了挺多深度学习方面的论文，但是由于时间方面的问题一直没来得及进行总结。最近一段时间突发奇想把自己看论文时的学习笔记给记录一下，由于之前没写过博文，所以排版可能会有点emmm...一言难尽。专业方面的知识，如果有理解不到位的地方欢迎各位大佬指教。Abstract最近，使用卷积网络实现超分辨率的研究集中在最小化均方重构误差这一方向。这种方法可达到较高的峰值信噪比，但是恢复出的图片缺

雨•人·2020-08-22 00:44

关于机器学习中的生成学习算法（Generative Learning Algorithm）

我们之前可能接触到一些线性回归的案例，以至于广义线性模型GLM等等之类的，这些模型呢，都是在给定训练集合，而且这些训练集有着确定的输入和输出，我们通过利用这些训练集来构建预测函数，从而实现预测，判断之类的功能。举个简单的例子，我们需要将大象和狗分类，以往的做法是，利用特征来画出分界线，那么下一次我们只需要输入特征就可以利用这条分界线来判断这只动物是大象还是狗了。那么还有另一种方法，如果我们先观察大

Mezereon·2020-08-21 23:50

生成对抗网络GAN（六）深入理解生成对抗网络（Generative Adversarial Networks，GAN）

生成对抗网络(Generativeadversarialnets,GAN)是Goodfellow等人在2014年提出的一种生成式模型。GAN是由一个生成器和一个判别器构成。生成器捕捉真实数据样本的潜在分布，并由潜在分布生成新的数据样本；判别器是一个二分类器，判别输入是真实数据还是生成的样本。其优化过程类似于极小极大游戏，通过反向传播算法，最终目标可实现纳什均衡，即生成器完全获得真实数据样本的分布。

清风思月·2020-08-21 12:02

对抗生成网络（Generative Adversarial Net)

好久没有更新博客了，但似乎我每次更新博客的时候都这么说（泪）。最近对生活有了一些新的体会，工作上面，新的环境总算是适应了，知道了如何摆正工作和生活之间的关系，如何能在有效率工作的同时还能继续做自己感兴趣的事情。心理上，我依然故我般的做那个简单的技术boy，生活态度偏理想化但可以直面现实……突然想到这是一片技术博客，还是不多说自己的事情了，说一说甚嚣尘上的对抗网络吧。引入Discriminative

张雨石·2020-08-21 11:56

[机器学习入门] 李宏毅机器学习笔记-18 （Deep Generative Model-part 1：深度生成模型-part 1）

[机器学习入门]李宏毅机器学习笔记-18（DeepGenerativeModel-part1：深度生成模型-part1）PDFVIDEOCreation据说在费曼死后，人们在他生前的黑板上拍到如图画片，在左上角有道：Whaticannotcreate,Idonotunderstand.Generativemodels,就是在做创造的事情。这里写图片描述ImageProcessing这里写图片描述G

holeung·2020-08-21 10:47

Generative Adversarial Net 生成对抗模型

资料搜集论文＋代码：1.纹理合成MarkovianGenerativeAdversarialNetworks(MGANs)fortraininggenerativeneuralnetworksforefficienttexturesynthesis简介：PrecomputedReal-TimeTextureSynthesiswithMarkovianGenerativeAdversarialNet

huxcai·2020-08-21 09:34

The Six Fronts of the Generative Adversarial Networks（下）

D、损失函數在理解GAN训练及其不稳定性来源方面的理论进展[18]指出，詹森-香农散度（JSD）（用于GAN的公式中，用于测量实际数据分布与生成器之间的相似性）是导致梯度消失的原因鉴别器已经受过良好训练。这种理论上的理解有助于激发下一波工作，从而探索了JSD的替代方法。代替JSD，作者建议使用Pearsonχ2（最小二乘GAN）[43]，地球移动距离（WassersteinGAN）[44]和Cra

黑糖跟你走zZ·2020-08-21 09:15

聊天机器人——chatBot知识框架

Generative-Based:IT语料库加电影对白语料库，通过简单的案例，把IT所有知识，强AI形式，目前还没有被攻克，不错的paper：ACL会议，主题是使用了一堆词条，假设可以涵盖了社会的方方面面的知识

siyuchen1·2020-08-20 17:21

Generative Adversarial Nets（译）

生成式对抗网络友情提示：论文笔记&代码解析可参考如下网址http://blog.csdn.net/wspba/article/details/54582391摘要我们提出了一个通过对抗过程估计生成模型的新框架，在新框架中我们同时训练两个模型：一个用来捕获数据分布的生成模型G，和一个用来估计样本来自训练数据而不是G的概率的判别模型D，G的训练过程是最大化D产生错误的概率。这个框架相当于一个极小化极大

Eric_py·2020-08-20 05:12

Generative Adversarial Network Fitting for High Fidelity 3D Face Reconstruction

GenerativeAdversarialNetworkFittingforHighFidelity3DFaceReconstruction图1：提出的深度拟合方法可以从单个图像重建高质量的纹理和几何，并具有精确的身份恢复。图中和本文其余部分的重构由大小为700个浮点的向量表示，并且进行了渲染，没有任何特殊效果。我们想强调的是，所描绘的纹理是由我们的模型重建的，没有直接从图像中提取的特征。1.In

packdge_black·2020-08-20 04:37

论文解析Generative Image Inpainting with Contextual Attention

引言Abstract近期的基于深度学习的图像修复方法展现了很大的潜力，这些方法都能生成看似合理的图像结构及纹理，但在修复区域的边界，经常会生成扭曲的结构和模糊的图像，这是因为卷积神经网络无法从图像较远的区域提取信息导致的。不过，传统的纹理和斑块（patch）的修复能取得比较好的效果（因为他们只需要从周围区域借鉴图像）。作者基于上述这些现象，提出了一种新的基于深度生成模型的方法，不仅可以生成新的图像

framebreak·2020-08-17 16:06

论文笔记《A Style-Based Generator Architecture for Generative Adversarial Networks》

这是NVIDIA的一篇新论文，一个对于GAN（StyleGAN）的基于样式的生成器体系结构，提出了一个新的模型来应对这个挑战。StyleGAN是一步一步地生成人工图像的，从非常低的分辨率开始，一直到高分辨率（1024×1024）。通过分别地修改网络中每个级别的输入，它可以控制在该级别中所表示的视觉特征，从粗糙的特征（姿势、面部形状）到精细的细节（头发颜色），而不会影响其它的级别。这种技术不仅可以更

framebreak·2020-08-17 16:05

【论文解读】Generative Image Inpainting with Contextual Attention

摘要contextualattentionlayer一些train的技巧网络结构Coarse-to-Fine由粗到细粗网络只用重建loss训练，细网络用GAN+重构网络训练；LOSS的具体表达式挖个坑，有点难。。。ContextualAttentionLayerCALayer能够学习修复过程中所依赖的特征位置，而且可端到端训练。在背景（留下来的部分）中选取一个小块(3×33\times33×3），

Qi1999·2020-08-17 16:29

CVPR2018: Generative Image Inpainting with Contextual Attention 论文翻译、解读

2019独角兽企业重金招聘Python工程师标准>>>CVPR2018:GenerativeImageInpaintingwithContextualAttention论文翻译、解读注：博主是大四学生，翻译水平可能比不上研究人员的水平，博主会尽自己的力量为大家翻译这篇论文。翻译结果仅供参考，提供思路，翻译不足的地方博主会标注出来，请大家参照原文，请大家多多关照。未经允许，严禁转载。0.译者序题目翻

weixin_33778778·2020-08-17 16:58

论文笔记 Generative Face Completion

这篇paper将巧妙地将四个loss函数结合在一起，其中每一个loss的功能不同。但这篇paper不够elegant的地方也是loss太多！在本文中，我采用散文的写作方法谈谈自己对这篇paper的理解，其实质就是“想到哪，写到哪！”如上图所示，（a）输入图像；（b）用随机square模板遮住输入图像一部分；（c）复原得到的图像。理想状态下，我们希望复原出的图像与输入图像完全一致（视觉上and语义上

weixin_30869099·2020-08-17 16:07

新手必看：生成对抗网络的初学者入门指导

翻译|江舟校对|江舟整理|志豪原文链接：https://skymind.ai/wiki/generative-adve

weixin_30565327·2020-08-17 15:42

论文笔记--Multi-Style Generative Reading Comprehension (Masque)

Firstpublishedonindexfziq.github.ioat2019-04-1017:00:00Introduction目前，本文是MARCO数据集NLG任务的第一名，作者是NTT公司的Nishina等人。文章突破了抽取式阅读理解模型的束缚，采用摘要的方式生成指定风格的答案，这两个突破算是GMRC的一个里程碑。在此篇文章之后，分析选手榜可以发现，沿用此方法的模型也都取得了比较好的效果

IndexFziQ·2020-08-17 15:09

Generative Face Completion 阅读

Imagecompletion,asacommonimageeditingoper-ation,aimstofillthemissingormaskedregionsinim-ageswithplausiblysynthesizedcontents.Thegeneratedcontentscaneitherbeasaccurateastheoriginal,orsim-plyfitwellwith

c2a2o2·2020-08-17 12:34

《Generative Face Completion》论文笔记

论文用深度生成模型实现了一个高效面部补全算法。与传统从已给数据集中搜寻相似图片块儿来进行补全和合成残缺图片的方法不同，作者是直接使用一个神经网络来合成残缺部分的内容。整个模型由三部分构成：areconstructionloss、twoadversariallosses、asemanticparsingloss。a)论文目的：传统以复制-粘贴的方式来进行图片补全在背景填充方面效果不错，但在面对填充脸

c2a2o2·2020-08-17 12:34

论文阅读-Generative Image Inpainting with Contextual Attention

论文：论文地址http://openaccess.thecvf.com/content_cvpr_2018/papers/Yu_Generative_Image_Inpainting_CVPR_2018

一杯c++不加糖·2020-08-17 12:04

图像修复论文“Generative Image Inpainting with Contextual Attention”

作者发现在图像修复问题中，因为卷积神经网络无法从图像较远的区域提取信息，所以在修复区域的边界，经常会生成扭曲的结构和模糊的图像，而传统的纹理和斑块（patch）的修复能取得比较好的效果，因为他们只需要从周围区域借鉴图像。作者基于上述这些现象，提出了一种新的基于深度生成模型的方法，不仅可以生成新的图像结构，还能够很好地利用周围的图像特征作为参考，从而做出更好的预测。作者提出了一个带有内容感知层（co

Najlepszy·2020-08-17 11:55

论文笔记《Image Inpainting via Generative Multi-column Convolutional Neural Neworks》

文章提出了一种通过生成多列的卷积神经网络用于图像修复问题。论文来自NIPS20181Motivation图像修复过程中三大难题：（1）提取图片合适的特征（2）寻找相似的块（3）综合辅助信息本文针对图像修复的三大难题进行改进，在特征提取方面，提出了一种生成多列的CNN结构，因为多列结构可以将图像分解成具有不同感受野和特征分辨率的分量。在寻找相似块方面，提出了一种隐式多样化马尔可夫随机场（ID-MRF

编程小白1·2020-08-17 10:41

Image Inpainting via Generative Multi-column Convolutional Neural Networks

1.Motivation提取合适的特征评估patch之间的相似性；寻找最接近的patch；聚合辅助信息。2.Approach2.1NetworkStructure生成器：三个并行的编码器，用于提取不通尺度的特征，一个公用的解码器。判别器：局部判别器+全局判别器。2.2LossfunctionID-MRFregularization：这个损失或正则项其实就是常见的感知损失或特征损失的改良版，用上面的

想要成为学霸的渣渣·2020-08-17 10:36

Generative Image Inpainting with Contextual Attention

1.Motivation传统方法要求图像之中的patch之间存在相似性；卷积神经网络不能有效的从图像较远的区域提取信息。2.Approach2.1NetworkarchitectureOverviewofourimprovedgenerativeinpaintingframework.生成器：包括两个网络，一个粗糙网络，一个改良网络，粗糙网络用重构损失训练，改良网络重构损失和GAN的损失训练；判别

想要成为学霸的渣渣·2020-08-17 10:35

Generative Face Completion

1.Motivation以前的图像补全算法都是从已知区域中复制pattern，当补全对象是人脸时，图像拥有相似pattern的假设不成立。2.Approach2.1NetworkarchitectureNetworkarchitectureGenerator：生成器就是常见的Encoder-decoder结构；Discriminator：判别器有两个，Globaldiscriminator和Loc

想要成为学霸的渣渣·2020-08-17 10:35

生成对抗网络(GAN)来源论文《Generative Adversarial Nets》读后总结

生成对抗网络[GAN]来源论文《GenerativeAdversarialNets》读后总结前言文章主要内容与贡献提出了生成对抗网络(GenerativeAdversarialNets,GAN)实验结果前言这是一些对于论文《GenerativeAdversarialNets》的简单的读后总结，首先先奉上该文章的下载超链接：GAN这篇文章是由蒙塞拉大学(UniversitedeMontreal)计算

geek12138_·2020-08-17 04:32

GAN初探（论文Generative Adversarial Nets阅读笔记）

GAN初探（论文GenerativeAdversarialNets阅读笔记）证明最终收敛于pG=pdatap_G=p_{data}pG=pdata证明上述算法流程就等同于对（1）式进行优化实验代码（参考[https://gitee.com/xiaonaw/PyTorch-GAN/blob/master/implementations/gan/gan.py](https://gitee.com/xi

填2·2020-08-16 23:58

《MuseGAN: Multi-track Sequential Generative Adversarial Networks for Symbolic Music Generation and A.

出处：2018AAAISourceCode:https://github.com/salu133445/museganabstract：（写得不错值得借鉴）重点阐述了生成音乐和生成图片，视频及语音的不同。首先音乐是基于时间序列的；其次音符在和弦、琶音（arpeggios）、旋律、复音等规则的控制之下的；同时一首歌曲是多track的。总之不能简单堆叠音符。本文基于GAN提出了三种模型来生成音乐：ja

weixin_30244681·2020-08-16 15:32

CS231n Spring 2019 Assignment 3—Generative Adversarial Networks (GANs)对抗生成网络

VanillaGANRandomNoiseDiscriminatorGeneratorGANLossOptimizingourlossLS-GANDC-GANDC-DiscriminatorDC-Generator结果链接终于来到了cs231n的最后一次作业，在Generative_Adversar

laizi_laizi·2020-08-16 13:22

无监督学习：Deep Generative Mode（深度生成模型）

一前言1.1Creation据说在费曼死后，人们在他生前的黑板上拍到如图画片，在左上角有道：Whaticannotcreate,Idonotunderstand.Generativemodels，就是在做创造的事情。1.2ImageProcessing二GenerativeModels这是目前的主要方法。2.1PixelRNN每次生成一个像素，用这样的方法，没有任何注释可以训练就有一大堆图像，效果

dfql83704·2020-08-16 12:54

论文阅读之《Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network》

Photo-RealisticSingleImageSuper-ResolutionUsingaGenerativeAdversarialNetwork(arxiv,21Nov,2016)这篇文章将对抗学习用于基于单幅图像的高分辨重建。基于深度学习的高分辨率图像重建已经取得了很好的效果，其方法是通过一系列低分辨率图像和与之对应的高分辨率图像作为训练数据，学习一个从低分辨率图像到高分辨率图像的映射函

山水之间2018·2020-08-16 05:50

图像压缩之极限压缩方法：《Generative Adversarial Networks for Extreme Learned Image Compression》

GenerativeAdversarialNetworksforExtremeLearnedImageCompressionEirikurAgustsson,MichaelTschannen,FabianMentzer,RaduTimofte,LucVanGool，ETHZ，ICCV2019论文地址：https://arxiv.org/pdf/1804.02958v1.pdf源码地址：https:

凤舞九天cw·2020-08-16 00:32

ESRGAN - Enhanced Super-Resolution Generative Adversarial Networks论文翻译——中英文对照

文章作者：Tyan博客：noahsnail.com|CSDN|简书声明：作者翻译论文仅为学习，如有侵权请联系作者删除博文，谢谢！翻译论文汇总：https://github.com/SnailTyan/deep-learning-papers-translationESRGAN:EnhancedSuper-ResolutionGenerativeAdversarialNetworksAbstract

SnailTyan·2020-08-15 22:30

风格和样式在GAN网络中的分离(Style and Content Disentanglement in Generative Adversarial Networks)CVPR 2019

该论文贡献：1)提出了SC-GAN能够在无监督风格分离内容和风格表达；2)提出了通过得到的损失来训练SC-GAN；3)在实验中作者在BiGAN中添加了SC-GAN，使作者能够在样本中传输内容和风格；4)提出了一个很好的质量检测方法；实验优点：作者提出的方法可以学习分离风格和内容的表示（就是，内容不变的时候，风格要变化。相反，不管内容怎么变化，风格要不变），同时提高生成图像的质量。介绍：在普通训练过

光遇旅人·2020-08-15 11:56

2014-2017 Paper and Code about Generative Adversarial Nets

AdversarialNetsPapersTheclassicaboutGenerativeAdversarialNetworksTheFirstpaper[GenerativeAdversarialNets][Paper][Code](theFirstpaperofGAN)Unclassified[DeepGenerativeImageModelsusingaLaplacianPyramidof

马卫飞·2020-08-15 11:51

《A Deep Generative Framework for Paraphrase Generation》论文笔记--方法

概述Ourframeworkusesavariationalautoencoder(VAE)asagenerativemodelforparaphrasegeneration.IncontrasttothestandardVAE,however,weadditionallyconditiontheencoderanddecodermodulesoftheVAEontheoriginalsenten

修改资料-昵称·2020-08-14 21:01

《A Deep Generative Framework for Paraphrase Generation》论文笔记--摘要、引言

修改资料-昵称·2020-08-14 21:29

贝叶斯生成式主动学习 Bayesian Generative Active Deep Learning

BayesianGenerativeActiveDeepLearningPaperReadingNoteURL:https://arxiv.org/pdf/1904.11643.pdfTL;DRICML2019上关于主动学习的新作，整合了用贝叶斯神经网络衡量预测不确定性的方法BALD、MCDropout和用GAN生成不确定样本的方法GAAL,将pool-based和query-synthesis的

pkueecscss·2020-08-14 07:36

【论文阅读+代码复现】GSPN：Generative Shape Proposal Network for 3D Instance Segmentation in Point Cloud

Brief这是一篇CVPR18上的文章，虽然表示是说的实例分割；但是听同组的同学的推荐，也可以做定位方面的事情，因此加入到了paperlist。AbstructInsteadoftreatingobjectproposalasadirectboundingboxregressionproblem,wetakeananalysis-by-synthesisstrategyandgeneratepro

Little_sky_jty·2020-08-13 22:32

《Improving Langugage Understanding by Generative Pre-Tranining》 —— GPT

目录《ImprovingLangugageUnderstandingbyGenerativePre-Tranining》1、GPT历史意义2、无监督预训练——通过大量未标记语料学习网络的初始参数3、SupervisedFine-Tuning4、Task-specificinputtransformations5、实验结果5.1模型结构5.2GPT模型在不同任务上的表现5.2.1文本蕴含任务5.2.

努力努力努力努力·2020-08-13 17:01

CartoonGAN照片动漫化

论文阅读：http://openaccess.thecvf.com/content_cvpr_2018/papers/Chen_CartoonGAN_Generative_Adversarial_CVPR

小哈里·2020-08-11 12:00

GAN Dissection: Visualizing and Understanding Generative Adversarial Networks

GANDissection:VisualizingandUnderstandingGenerativeAdversarialNetworks该论文介绍了一个可视化和理解生成网络学得结构的框架，通过定义一些可解释的单元并通过干涉这些单元来探究生成网络中的因果关系。GANpaint工具本文还提供了一个非常有意思的demo，只要鼠标划过，GAN就可以立即在你指定的地方画出云彩、草地、门和树等景物，并直接

EwanRenton·2020-08-09 12:37

《SinGAN: Learning a Generative Model from a Single Natural Image》--阅读笔记-ICCV2019

AuthorsTamarRottShaham,TaliDekel,TomerMichaeliMotivationunconditionalGANs对特定类数据集进行训练时，在生成真实、高质量的样本方面取得了显著的成功。然而，提取具有多个对象类的高多样性数据集的分布仍然是一个主要挑战（如imagenet），并且通常需要加入另一个输入信号作为condition，或者为特定任务训练模型（如超分辨率、修复

Jungle_King·2020-08-09 03:52

StackGAN++: Realistic Image Synthesiswith Stacked Generative Adversarial Networks 论文解读

StackGAN++是ICCV2017的文章《StackGAN++:RealisticImageSynthesiswithStackedGenerativeAdversarialNetworks》。由于StackGAN在训练过程中不足够稳定以及生成更多种类的样本图片，由此提出了更好的StackGAN++。一、相关工作StackGAN-V1论文链接:[https://arxiv.org/pdf/17

迷途的CH·2020-08-09 01:44

论文笔记：SinGAN: Learning a Generative Model from a Single Natural Image

论文笔记：SinGAN:LearningaGenerativeModelfromaSingleNaturalImage简介这是ICCV2019最佳论文。本文提出了一个多尺度的GAN，能够用单张图片进行训练，生成一系列高质量且类似的图片。这是博主第一次阅读GAN相关的文章，难免在理解上会出现一些问题，望见谅。github代码：官方pytorch源码这个算法可以用于图片生成、图片编辑、图像和谐化、超分

CvBeginner·2020-08-09 01:28

推荐频道

generative