生成模型经典算法-VAE&GAN（含Python源码例程）
深度学习是一种人工智能的技术，其最大的特点是能够对复杂的数据进行分析和处理。在深度学习中，生成模型和判别模型是两个重要的概念，它们可以帮助我们更好地理解深度学习的工作原理并实现不同的任务。生成模型和判别模型的区别在于，生成模型是通过学习输入数据的联合分布来进行预测和生成新的数据，而判别模型则是通过学
毕业设计-基于生成对抗网络的图像风格迁移
毕业设计-基于生成对抗网络的图像风格迁移：图像风格迁移是目前计算机视觉领域的研究热点。风格迁移的目的是将一幅图像转换 成另一幅或多幅具有特定目标的图像，例如：输入一张纯色马的图片，输出的是斑马的图 片；输入一张油画的图片，输出的是中国画的图片等等。图像风格迁移不仅可以显著降低 获取相关数据集的成本，
LigaAI X 猴子无限 | AIGC 火了，专业设计者的福音来了！
「人工智能+团队协作」还能有多少种打开方式？
BasicSR的使用过程
由于最近在研究BasicSR的超分辨率的各种模型，在测试各种实验的过程中出现过很多的问题，下面针对这些问题说一下解决方式。比如像我本次遇到的问题，当输入的图像数据特别小时我们应该如何处理。本文仅针对使用BasicSR进行一个模型使用和模型对比的安装、使用、一些注意实现进行一部分的描述。
GANs系列：CGAN(条件GAN）原理简介以及项目代码实现
cGAN的中心思想是希望 可以控制 GAN 生成的图片，而不 是单纯的随机生成图片。 具体来说，Conditional GAN 在生成器和判别器的输入中 增加了额外的 条件信息，生成器生成的图片只有足够真实 且与条件相符，才能够通过判别器。
基础GAN实例（pytorch代码实现）
输出是长度为100的噪声（正态分布随机数）输出为（1，28，28）的图片linear1100---256linear2256--512linear3reshapenn.Tanh()#对于生成器，最后一个激活函数是tanh,值域-1到1)#定义前向传播#x表示长度为100的noise输入img=img
Diffusion-GAN: Training GANs with Diffusion 解读
Diffusion-GAN: Training GANs with Diffusion 解读
Text to image论文精读GigaGAN: 生成对抗网络仍然是文本生成图像的可行选择
GigaGAN是Adobe和卡内基梅隆大学学者们提出的一种新的GAN架构，作者设计了一种新的GAN架构，推理速度、合成高分辨率、扩展性都极其有优势，其证明GAN仍然是文本生成图像的可行选择之一。
基于python实现的生成对抗网络GAN
基于python实现的生成对抗网络GAN
FGSM对抗样本算法实现
最著名的对抗样本算法应该就是Fast Gradient Sign Attack（FGSM）快速梯度算法，其原理是，在白盒环境下，通过求出模型对输入数据的导数，用函数求得其梯度方向，再乘以步长，得到的就是其扰动量，将这个扰动量加在原来的输入上，就得到了在FGSM攻击下的样本，这个样本很大概率上可以使模
AdvDrop——一种通过丢弃频域信息的对抗样本
AdvDrop: Adversarial Attack to DNNs by Dropping Information——基于丢弃频域信息的对抗攻击
GAN的损失函数
在训练过程中，生成器和判别器的目标是相矛盾的，并且这种矛盾可以体现在判别器的判断准确性上。生成器的目标是生成尽量真实的数据，最好能够以假乱真、让判别器判断不出来，因此生成器的学习目标是让判别器上的判断准确性；相反，判别器的目标是尽量判别出真伪，因此判别器的学习目标是让自己的判别准确性。当生成器生成的
【图像生成Metrics】快速计算FID、KID、IS、PPL
【图像生成Metrics】快速计算FID、KID、ISC、PPL
【深度学习】pix2pix GAN理论及代码实现与理解
深度学习，pix2pixGAN, CGAN,patchGAN, 代码实现。
GAN评价指标代码(FID、LPIPS、MS-SSIM)
GAN评价指标代码(FID、LPIPS、MS-SSIM写在前面FIDLPIPSMS-SSIM写在后面写在前面科研(毕业)需要，对GAN生成的图片要做定量评价，因此总结一些自己要用到的一些评价指标。FID官方链接：https://github.com/mseitzer/pytorch-fid步骤：（1
各种生成模型：VAE、GAN、flow、DDPM、autoregressive models
各种生成模型：VAE、GAN、flow、DDPM、autoregressive models
【Pytorch深度学习实战】（10）生成对抗网络（GAN）
第一步我们训练D，D是希望V(G, D)越大越好，所以是加上梯度(ascending)。第二步训练G时，V(G, D)越小越好，所以是减去梯度(descending)。假设我们有两个网络，G（Generator）和D（Discriminator）。G可以生成足以“以假乱真”的图片G(z)。对于D来说
实现一个简单的生成对抗网络（详细版）
生成对抗网络
GANs系列：DCGAN原理简介与基础GAN的区别对比
参考了DCGAN论文，对论文逐步解读，将论文精华部分进行了概括提取，包括原理、应用以及训练过程。在基础的生成式对抗神经网络的基础上，进一步介绍DCGAN深度卷积生成对抗神经网络。
对抗生成网络（GAN）中的损失函数
L1损失函数又称为MAE(mean abs error)，即平均绝对误差，也就是预测值和真实值之间差值的绝对值。 L2损失函数又称为MSE(mean square error)，即平均平方误差，也就是预测值和真实值之间差值的平方。
