generative 第21页

对抗生成网络-文字到图片的合成Generative Adversarial Text to Image Synthesis

新的一年，新的开始，好想发论文啊！废话不多说，下面讲下文字到图片的生成。文字生成图片最有代表的一张图怕是这个了，牛人，大佬RNN可用来对文字进行判别和表示，GAN可以做图片生成，那么如何将字符翻译到图像像素呢？这篇论文给出了一个网络。使用RNN,来做图片生成描述，由于它是根据图片的内容和他前一个词生成下一个词，是遵循链式规则的。使用描述生成图片的话，能够正确表达文本的正确图像样例是很多的，比如鸟，

水球喵·2020-04-07 21:03

论文阅读：Generative Adversarial Nets

引言这篇论文是生成对抗(GAN)网络的奠基之作，它提出了一种全新生成的思想，时至今日都是深度学习中热门的一种模型。它的作者是IanJ.Goodfellow,JeanPouget-Abadie*,MehdiMirza,BingXu,DavidWarde-Farley,SherjilOzair,AaronCourville,YoshuaBengio基本原理GAN网络其实就是两个网络之间的博弈游戏，即网

MatthewY·2020-04-06 19:37

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

GenerativeAdversarialNetworks(GANs)对抗生成网络终于来到了cs231n的最后一次作业，在Generative_Adversarial_Networks_PyTorch.ipynb

赖子啊·2020-04-06 18:12

Generative classifiers: A comparison of logisti...

译者按：吴恩达和迈克尔乔丹的经典合作之一，是当年吴恩达在乔丹门下读博时发表的，分类问题是机器学习最典型的问题，而朴素贝叶斯和逻辑回归又是最基础最常用的分类算法，两位大神对此进行了深入精到的分析，对机器学习和AI的爱好者来说不可错过作者：AndrewY.Ng（吴恩达），MichaelI.Jordan（迈克尔一乔丹）计算机科学和统计系加州大学伯克利分校摘要我们比较判别式和生成式学习，以logistic

fat32jin·2020-03-31 07:03

论文学习16“Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network”文章学习

本文是CVPR17年的文章，也是超分辨领域的新作SRGAN，作者来自推特工作室，先放上整个网络结构图，再详细介绍。上周我在用SRCNN进行实验效果不理想时，师兄推荐了这篇文章，事实上这篇文章和我上周看的SAGAN的整体结构很相似，都是在GAN的基础上进行的image2image的工作。在SRGAN中，作者论证PSNR不能作为评价超分辨的标准，因为这个和人对图片的感受结果不一致，这里作者采用了MOS

侯冠群·2020-03-30 17:04

(2014)Generative Adversarial Nets 论文解读

GenerativeAdversarialNets–生成对抗网络作者：IanJ.Goodfellow,JeanPouget-Abadie∗,MehdiMirza,BingXu,DavidWarde-Farley,SherjilOzair†,AaronCourville,YoshuaBengio‡论文阅读过程中也遇到了一些问题，穿插在文中提出了，希望有理解的人回答一下。Abstract1.本篇文章完

椰楠liu·2020-03-30 17:59

Generative Model（VAE1）

Unspervisedlearning主要任务目标是发掘数据潜在有价值的结构，主要分为clustering，dimentionalityreduction，featurelearning，densityestimationGenerativeModel主要任务是给定一个数据集P(data)，通过模型P(model)学习样本的分布，可以通过模型生成近似原样本分布的数据。主要属于densityesti

fada_away·2020-03-28 07:05

[机器学习入门] 李宏毅机器学习笔记-5（Classification- Probabilistic Generative Model；分类：概率生成模型）

[机器学习]李宏毅机器学习笔记-5（Classification:ProbabilisticGenerativeModel；分类：概率生成模型）Classification这里写图片描述HowtodoClassification这里写图片描述IdealAlternatives这里写图片描述这里写图片描述这里写图片描述GaussianDistribution这里写图片描述这里写图片描述Probabi

holeung·2020-03-27 07:25

Generative Adversarial Networks(Section 4)

4建议和技巧实践者们会使用一些提升GANs性能的技巧。我们很难去判断这些技巧会发挥什么样的作用了；很多技巧会在一些环境中有帮助但在另外一些环境中却又起到反作用。NIPS2016同样包含一个关于对抗训练的workshop，由SoumithChintala给了称为“HowtotrainaGAN”的邀请报告。这个报告和本文部分内容的目标类似，不过两者内容选择上有一定差异。想要了解本课程中没有的建议和技巧

朱小虎XiaohuZhu·2020-03-17 14:45

AmbientGAN:Generative models from lossy measurements

环境GAN：从有损测度中生成模型摘要：生成模型提供了一种对于复杂分布中结构进行建模的方式，并且已经被证明可用于很多实际感兴趣的任务中。但是，现在训练生成模型的技术需要访问完全可观测（fully-observed）的样本。在很多场景中，获取完全可观测的样本是昂贵的甚至不可能的，但是获取部分的有噪声的观测样本是比较实惠的。我们考虑在只给予感兴趣的分布的样本的有损失观测情况下，学习一个隐式的生成模型的任

马小李23·2020-03-16 07:14

Probabilistic Generative Model

Classification：分类问题，即输入一个特征向量，输出该特征向量所属的类别。如果用LinearRegression解决分类问题的话，考虑二分类的话，可能会惩罚非常正确的数据，考虑有很多类别的话，不同类别之间不好划分。概率生成模型：最终需要解决的问题是，任意给定一个x，属于某类别如C1的概率是多少。假设所有的点是由高斯分布产生的，需要找到的是决定高斯分布的u和∑，u决定概率密度最大的位置即

风就吹吧·2020-03-05 06:57

Connecting Generative Adversarial Networks and Actor-Critic Methods

DavidPfau,OriolVinyalsfromGoogleDeepMindBothgenerativeadversarialnetworks(GAN)inunsupervisedlearningandactor-criticmethodsinreinforcementlearning(RL)havegainedareputationforbeingdifficulttooptimize.Pr

朱小虎XiaohuZhu·2020-03-03 03:48

Face Aging with Conditional Generative Adversarial Networks

使用条件对抗生成网络的人脸老化摘要：最近对抗生成网络表明它可以生成具有非凡的视觉忠实度图片。在本文中，我们提出了基于对抗生成网络的方法来自动的进行人脸老化。与之前的文献使用对抗生成网络来转换脸部的属性相反，我们特别强调在老化的他/她的人脸上保留原始的人脸身份信息。为此，我们引入了新的方法来对对抗生成网络的隐藏向量进行身份保留优化。通过先进的人脸识别和年龄估计方案对于生成的老化和变年轻的人脸图片的评

马小李23·2020-03-02 10:52

第一课 introduction

info.htmlCourseDescriptionThiscourseprovidesabroadintroductiontomachinelearningandstatisticalpatternrecognition.Topicsinclude:supervisedlearning(generative

瞧瞧以瞧瞧·2020-03-01 21:28

判别式模型(discriminative model)和生成模型（generative model）

已知输入变量x，判别模型(discriminativemodel)通过求解条件概率分布P(y|x)或者直接计算y的值来预测y。生成模型（generativemodel）通过对观测值和标注数据计算联合概率分布P(x,y)来达到判定估算y的目的。判别模型常见的判别模型有线性回归（LinearRegression）,逻辑回归（LogisticRegression）,支持向量机（SVM）,传统神经网络（T

致Great·2020-03-01 02:22

Unsupervised Generative Adversarial Cross-modal Hashing

UnsupervisedGenerativeAdversarialCross-modalHashing,AAAI2018MotivationCross-modalhashing跨模态哈希问题，致力于将各种模态的数据放到一个公共哈希空间中，以更简洁快速地计对跨模态数据进行表达和计算、检索。非监督的方法相比较监督的方法更不用受到初始条件的约束，因此更灵活。但是现存的非监督的方法在计算时忽视了不同模态中

yyyyyyyyXu·2020-02-25 21:01

Paper Weekly 第三期

这一期主要介绍两篇个关于生成对抗网络模型（GAN）的论文，这是一个比较新的模型类型，1.GenerativeAdversarialNets论文来源：http://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf

black__jack·2020-02-20 11:22

论文翻译：Speech Super Resolution Generative Adversarial Network

博客作者：凌逆战论文地址：https://ieeexplore.ieee.org/document/8682215博客地址：https://www.cnblogs.com/LXP-Never/p/10874993.html论文作者：SefikEmreEskimez,KazuhitoKoishida摘要语音超分辨率(SSR)或语音带宽扩展的目标是由给定的低分辨率语音信号生成缺失的高频分量。它有提高电

凌逆战·2020-02-19 10:00

李宏毅深度学习(六):Generative Adversarial Network (GAN)

最近看了李宏毅老师的深度学习视频课程，真的是讲得十分细致，从头到尾看下来一遍，对深度学习模型有了一个基本的认识，趁着脑子还能记着一些东西，赶紧把学到的东西记录下来，以备后用。视频地址：https://www.bilibili.com/video/av9770302/from=search&seid=905421046757750252ppt地址：http://speech.ee.ntu.edu.t

文哥的学习日记·2020-02-16 14:57

GAN:Generative Adversarial Nets论文阅读

[toc]1.GenerativeAdversarialNetsarXiv:1406.2661[stat.ML]tensorflow2代码：https://github.com/zhangkaihua88/ML_Paper1.1.摘要通过对抗过程估计生成模型的框架，同时训练两个模型：生成模型G用来获取数据分布判别模型D估计样本来自训练数据而不是G的概率G的训练目标是为了最大化D产生错误的概率在任意

山雾幻华·2020-02-12 23:31

[论文理解] On the "steerability" of generative adversarial networks

Onthe"steerability"ofgenerativeadversarialnetworksIntro本文提出对GAN的latentspace进行操作的一种方法，通过对latentspace的编辑实现生成域外样本，操控生成样本的基本属性，如控制生成样本的位置、光照、二维旋转、三维旋转等等。文章的主要贡献为：证明并实现了通过在latentspace中的“walk”能够实现类似人类世界中相机的

aoru45·2020-01-30 23:00

【机器学习】（七）马尔可夫链、马尔可夫随机场、条件随机场

生成式（generative）模型考虑联合分布P(Y,R,O)判别式（di

超级超级小天才·2020-01-13 21:06

Generative Image Inpainting with Contextual Attention

Abstract最近基于深度学习的方法已经显示出在图像中修复大的缺失区域的挑战性任务的有希望的结果。这些方法可以生成视觉上合理的图像结构和纹理，但通常会产生扭曲的结构或与周围区域不一致的模糊纹理。这主要是由于卷积神经网络明显地从远处空间位置借用或复制信息带来的不合理性。另一方面，传统的纹理和补丁合成方法效果还行当从周围区域借用纹理时。受这些观察的启发，我们提出了一种新的基于深度生成模型的方法，该方

风之羁绊·2020-01-06 22:23

[机器学习入门] 李宏毅机器学习笔记-19 （Deep Generative Model-part 2：深度生成模型-part 2）

[机器学习入门]李宏毅机器学习笔记-19（DeepGenerativeModel-part2：深度生成模型-part2）PDFVIDEOWhyVAE?用VAE，从codespace上去sample一个code，能得到一个比较好的image，而autoencoder可能得不到。这里写图片描述将code加上了noise，而variance决定了noise的大小，variance是train出来的。va

holeung·2020-01-01 22:10

One-Shot Generalization in Deep Generative Models 阅读笔记

一.引述传统深度网络：数据驱动大量迭代遇到新数据重新训练低效神经图灵机(NeuralTuringMachine）：极少量样本便可以进行有效学习强大的推理能力人类水平的学习人们可以从仅仅一个或一小撮样本中学习一个新的概念，而机器学习的标准算法需要成百上千个类似的样本二.人类水平的概念学习(HumanLevelConceptLearning；one-shotlearning)给定一个单一的对象，人类可

BookThief·2019-12-24 22:13

文章学习41“RankSRGAN: Generative Adversarial Networks with Ranker for Image Super-Resolution”

本文是ICCV2019年一篇oral，由先进院同商汤合作的超分辨作品。本论文的出发点是ECCV2018年的PIRM比赛，以往的超分辨比赛都是以PSNR和SSIM作为评价指标，所以loss上以mse即可，然而今年的PIRM采用NIQE，PI和Ma值作为指标，这些指标大多都是不可微的，并且与PSNR指标相关性较低，所以作者将这些不可微的图像评价指标作为排序参考融入到SR网络中，使得恢复出来的高分辨率图

侯冠群·2019-12-24 01:26

week3day1-190805 Generative_Formula and High_Function

generative_formula1.生成式就是生成器的简写方式，类似于匿名函数与函数的关系语法：expressionforvariableinsequence用法：a.list(xforxinrange

我是键盘侠·2019-12-18 14:01

论文阅读（67）Generative Adversarial Residual Pairwise Networks for One Shot Learning

续袁·2019-12-17 18:05

论文笔记 |《Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network》

论文地址：https://arxiv.org/abs/1609.048021Introduction因为评价指标是PSNR，所以大多数方法都采用MSE损失。但是像素损失通常得到的结果都过于平滑，难以恢复出高频信息。MSE损失倾向于找到多个潜在的高清纹理细节的解的平均值，而GAN方法的鉴别器会引导网络生成一个和真实图像相似的高清解。2MethodHR图像高斯模糊再降采样得到LR方法的最终目的是训练一

温素年·2019-12-12 10:59

GAN家族简记

GAN家族简记这个github里面有很多GAN代码，简单易懂https://github.com/wiseodd/generative-models这个网站详细介绍了GAN的历程：http://www.openpcba.com

sysu_first_yasuo·2019-12-10 14:10

Review: Gain: Missing Data Imputation using Generative Adversarial Nets

ICML2018DOI:[1806.02920]GAIN:MissingDataImputationusingGenerativeAdversarialNetsGithub:GitHub-jsyoon0823/GAIN:GenerativeAdversarialImputationNetworks(GAIN)Abstruct:作者提出了基于GAN的数据补全方法。BackGround:数据的缺失是一

24_5901·2019-11-18 11:36

生成式测试(Generative Testing)

我们为什么要写单元测试？满足需求是所有软件存在的必要条件，单元测试一定是为它服务的。从这一点出发，我们可以总结出写单元测试的两个动机：驱动（如：TDD）和验证功能实现。另外，软件需求易变的特征决定修改代码成为必然，在这种情况下，单元测试能保护已有的功能不被破坏。基于以上两点共识，我们看看传统的单元测试有什么特征？基于用例的测试（ByExample）单元测试最常见的套路就是Given、When、Th

lambeta·2019-11-03 11:19

生成对抗网络（Generative Adversarial Networks，GAN）初探

1.从纳什均衡（Nashequilibrium）说起我们先来看看纳什均衡的经济学定义：所谓纳什均衡，指的是参与人的这样一种策略组合，在该策略组合上，任何参与人单独改变策略都不会得到好处。换句话说，如果在一个策略组合上，当所有其他人都不改变策略时，没有人会改变自己的策略，则该策略组合就是一个纳什均衡。B站上有一个关于”海滩2个兄弟卖雪糕“形成纳什均衡的视频，讲的很生动。不管系统中的双方一开始处于什么

郑瀚Andrew.Hann·2019-10-31 11:00

原始的GAN为什么处理离散数据效果很差？

以下是goodfellow的回答，链接（似乎需要）：https://www.reddit.com/r/MachineLearning/comments/40ldq6/generative_adversarial_networks_for_text

阳阳鸭·2019-10-25 19:06

Generative Adversarial Text to Image Synthesis

GenerativeAdversarialTexttoImageSynthesisAbstractIntroductionBackgroundGenerativeadversarialnetworksDeepsymmetricstructuredjointembeddingMethodsNetworkarchitectureMatching-awarediscriminator(GAN-CLS)L

_Summer tree·2019-10-23 10:40

你真的了解深度学习生成对抗网络（GAN）吗？

生成对抗网络（GANs，https://en.wikipedia.org/wiki/Generative_adversarial_network）是一类具有基于网络本身即可以生成数据能力的神经网络结构。

嵌入式资讯精选·2019-10-20 10:00

ASRWGAN: Wasserstein Generative Adversarial Network for Audio Super Resolution

ASEGAN：WGAN音频超分辨率这篇文章并不具有权威性，因为没有发表，说不定是外国的某个大学的毕业设计，或者课程结束后的作业、或者实验报告。CS230:DeepLearning,Spring2018,StanfordUniversity,CA.(LateXtemplateborrowedfromNIPS2017.)作者：JonathanGomes-Selman,ArjunSawhney,Wood

凌逆战·2019-10-16 11:00

AutoGAN: Neural Architecture Search for Generative Adversarial Networks阅读笔记

本文是ICCV2019的一篇文章，第一次将GAN利用网络架构搜索(NAS)来实现，非常有启发意义，遂写一篇阅读笔记。网络架构搜索在图像分类等问题上均取得了一定的成功，这篇文章首次将NAS应用于GAN生成问题。我们定义了生成器结构变量的搜索空间，并使用一个RNN控制器来指导搜索，通过参数共享和动态重置来加速搜索过程。以inception得分作为奖励，引入多级搜索策略，以渐进的方式进行搜索。实验验证了

lwpyh·2019-10-08 10:17

朴素贝叶斯(Naive Bayes)

一.生成式（generative）学习算法如果算法直接学习，或者尝试学习从输入空间到类别的映射关系的算法，称为判别式（discriminative）学习算法；比线性回归（lineaarregression

_与谁同坐_·2019-10-05 11:24

论文阅读笔记|Detect Rumors on Twitter by Promoting Information Campaigns with Generative Adversarial Learning

1.AbstractInthispaper,theauthorweattempttofightsuchchaos(FAKENEWS)withitselftomakeautomaticrumordetectionMorerobustandeffective;TheideaisinspiredbyadversariallearningmethodoriginatedfromGenerativeAdve

BillDingDJ·2019-10-03 20:00

使用GAN实现可变形医学图像配准DEFORMABLE MEDICAL IMAGE REGISTRATION USING GENERATIVE ADVERSARIAL NETWORKS

题目：使用GAN实现可变形医学图像配准传统的深度学习配准方法都采用迭代方法，作者采用GAN实现了一种端到端的多模态图像配准方法，消除了传统方法耗时的迭代直接生成有变形场的配准图像。前人工作：Sokootiet.al.[6]提出RegNet，它使用经过模拟变形训练的CNNs为一对单一模态图像生成位移向量场。Voset.al.[7][提出了一种可变形图像配准网络(dir-net)，它以一对固定图像和一

一只大南瓜·2019-09-29 16:38

[CVPR 2019 论文笔记] Gradient Matching Generative Networks for Zero-Shot Learning

用于零样本学习的梯度匹配生成网络作者提出了一种新的Loss来训练零样本的生成网络，梯度匹配GradientMatching(GM)Loss。该Loss可以测量生成样本产生的梯度信号的质量。使用GMLoss可以迫使生成器产生的样本能够训练出精确的分类器。文章目录生成式方法的思想example-synthesisbasedZSL方法的问题无监督GAN为什么用梯度损失代替分类损失？目标分类模型loss代

一亩高粱·2019-09-19 09:55

GAN对抗网络入门教程

译：ABeginner'sGuidetoGenerativeAdversarialNetworks(GANs)https://skymind.ai/wiki/generative-adversarial-network-gan1GAN

致Great·2019-09-17 10:22

Generative Adversarial Text to Image Synthesis[reading notes]

文章目录AbstractIntroductionBackgroundGenerativeadversarialnetworksDeepsymmetricstructuredjointembeddingMethodAbstractInthiswork,wedevelopanoveldeeparchitectureandGANformulationtoeffectivelybridgetheseadv

_Summer tree·2019-09-12 19:26

对抗生成网络 Generative Adversarial Networks

1.Basicidea基本任务：要得到一个generator，能够模拟想要的数据分布。(一个低维向量到一个高维向量的映射）discriminator就像是一个scorefunction。如果想让generator生成想要的目标数据，就把这些真实数据作为discriminator的输入，discriminator的另一部分输入就是generator生成的数据。1.初始化generator和discr

王朝君BITer·2019-08-27 23:00

对抗生成式主动学习 Generative Adversarial Active Learning

GenerativeAdversarialActiveLearningPaperReadingNoteURL:https://arxiv.org/pdf/1702.07956v5.pdfTL;DR第一篇用以GAN为代表的生成式方法来做ActiveLearning的文章,比较有开创性,,利用已标注数据,用GAN生成uncertainty值高的"假"样本加速模型训练,在许多情况下不差于传统上用真实样本

pkueecscss·2019-08-24 21:25

GPT : Improving Language Understanding by Generative Pre-Training

参考论文：ImprovingLanguageUnderstandingbyGenerativePre-Training论文链接：https://s3-us-west-2.amazonaws.com/openai-assets/research-covers/language-unsupervised/language_understanding_paper.pdf这篇论文是基于文本分类的这篇论文上

qq_27717921·2019-08-16 11:33

Self-Attention Generative Adversarial Networks（SAGAN）理解

介绍Self-AttentionGenerativeAdversarialNetworks（SAGAN）是HanZhang,IanGoodfellow等人在去年提出的一种新的GAN结构，网络主要引入了注意力机制，不仅解决了卷积结构带来的感受野大小的限制，也使得网络在生成图片的过程中能够自己学习应该关注的不同区域。从结果上来看，SAGAN相比于之前最好的结构，在Inceptionscore上从36.

梦星魂24·2019-08-15 16:14

Pytorch版DCGAN图像生成技术

参考：https://github.com/devnag/pytorch-generative-adversarial-networks/blob/master/gan_pytorch.pyhttps:

Mr.Q·2019-07-24 10:59

【论文笔记】Mixture Density Generative Adversarial Networks 混合密度生成对抗网络

论文地址：https://arxiv.org/pdf/1811.00152.pdf1.摘要翻译：传统的GAN存在模型崩溃的风险。因此本文提出了一种称为混合密度GAN的变体，通过鼓励分类器在它的嵌入空间形成聚类来解决模型崩溃的问题。以此轮流引导产生器利用这个聚类并发现数据中不同的模型。这是通过将高斯密度函数定位在单纯形的角上，将得到的高斯混合作为鉴频器嵌入上的似然函数，并根据这些似然性为GAN训练制

nymph_h·2019-07-19 17:11

推荐频道

generative