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。
GAN网络
GAN网络的初步理解与其LOSS函数的理解。加上对于GAN网络的LOSS优化以及变种条件GAN
GAN生成漫画脸
GAN生成漫画脸
生成对抗网络(Generative Adversial Network,GAN)原理简介
生成对抗网络(GAN)的基本原理
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。
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
GAN（生成对抗网络）的系统全面介绍（醍醐灌顶）
本文是关于GAN学习的较为系统全面的介绍，主要针对初学者，希望能够对大家带来帮助。
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。
